論文の概要: A Knowledge-Informed Pretrained Model for Causal Discovery
- arxiv url: http://arxiv.org/abs/2603.20842v1
- Date: Sat, 21 Mar 2026 14:59:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.112716
- Title: A Knowledge-Informed Pretrained Model for Causal Discovery
- Title（参考訳）: 因果発見のための知識インフォームド事前学習モデル
- Authors: Wenbo Xu, Yue He, Yunhai Wang, Xingxuan Zhang, Kun Kuang, Yueguo Chen, Peng Cui,
- Abstract要約: 因果発見は広く研究されてきたが、多くの既存の手法は強い仮定に依存している。
本稿では,弱い事前知識を原則的中核として統合した,因果発見のための知識インフォームド事前学習モデルを提案する。
本モデルでは,2つのソースエンコーダ・デコーダアーキテクチャを用いて,観測データを知識に富んだ方法で処理する。
- 参考スコア（独自算出の注目度）: 61.8885572392623
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal discovery has been widely studied, yet many existing methods rely on strong assumptions or fall into two extremes: either depending on costly interventional signals or partial ground truth as strong priors, or adopting purely data driven paradigms with limited guidance, which hinders practical deployment. Motivated by real-world scenarios where only coarse domain knowledge is available, we propose a knowledge-informed pretrained model for causal discovery that integrates weak prior knowledge as a principled middle ground. Our model adopts a dual source encoder-decoder architecture to process observational data in a knowledge-informed way. We design a diverse pretraining dataset and a curriculum learning strategy that smoothly adapts the model to varying prior strengths across mechanisms, graph densities, and variable scales. Extensive experiments on in-distribution, out-of distribution, and real-world datasets demonstrate consistent improvements over existing baselines, with strong robustness and practical applicability.
- Abstract（参考訳）: 因果発見は広く研究されてきたが、多くの既存の手法は強い仮定に依存するか、2つの極端に該当する。
粗いドメイン知識しか利用できない現実のシナリオに動機づけられた本研究では、弱い事前知識を原則的中核として統合した因果発見のための知識インフォームド事前学習モデルを提案する。
本モデルでは,2つのソースエンコーダ・デコーダアーキテクチャを用いて,観測データを知識に富んだ方法で処理する。
我々は、様々な事前学習データセットとカリキュラム学習戦略を設計し、モデルがメカニズム、グラフ密度、可変スケールにまたがる様々な事前強度にスムーズに適応する。
分布内、分布外、実世界のデータセットに関する大規模な実験は、強い堅牢性と実用的な適用性を備えた、既存のベースラインよりも一貫した改善を示している。
関連論文リスト
- Consistent World Models via Foresight Diffusion [56.45012929930605]
我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。
本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
論文 参考訳（メタデータ） (2025-05-22T10:01:59Z) - Unified Source-Free Domain Adaptation [41.90015041165936]
統合食品医薬品局(SFDA)における潜在因果因子発見の新たなアプローチを提案する。
現実の統計的記述の学習を強調する従来の代替手段とは対照的に、因果性の観点からCausalDAを定式化する。
広義の世界知識を統合するために、CLIPのような事前学習された視覚言語モデルを利用する。
論文 参考訳（メタデータ） (2024-03-12T12:40:08Z) - Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。
特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。
事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
論文 参考訳（メタデータ） (2024-02-09T07:18:06Z) - Fantastic Gains and Where to Find Them: On the Existence and Prospect of
General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。
このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
論文 参考訳（メタデータ） (2023-10-26T17:59:46Z) - Towards Causal Foundation Model: on Duality between Causal Inference and Attention [18.046388712804042]
治療効果推定のための因果認識基盤モデルの構築に向けて第一歩を踏み出す。
我々はCInA(Causal Inference with Attention)と呼ばれる新しい理論的に正当化された手法を提案する。
論文 参考訳（メタデータ） (2023-10-01T22:28:34Z) - Principled Knowledge Extrapolation with GANs [92.62635018136476]
我々は,知識外挿の新たな視点から,対実合成を研究する。
本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。
提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
論文 参考訳（メタデータ） (2022-05-21T08:39:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。