論文の概要: Causal Discovery in Action: Learning Chain-Reaction Mechanisms from Interventions

• arxiv url: http://arxiv.org/abs/2603.22620v1
• Date: Mon, 23 Mar 2026 22:45:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.208591
• Title: Causal Discovery in Action: Learning Chain-Reaction Mechanisms from Interventions
• Title（参考訳）: 行動の因果発見:介入から連鎖反応のメカニズムを学ぶ
• Authors: Panayiotis Panayiotou, Özgür Şimşek,
• Abstract要約: 因果グラフは介入データからでも識別できないため、一般的な力学系では因果発見は困難である。 このような連鎖反応系における因果発見について検討し、その因果構造が干渉の妨害から一意に識別可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Causal discovery is challenging in general dynamical systems because, without strong structural assumptions, the underlying causal graph may not be identifiable even from interventional data. However, many real-world systems exhibit directional, cascade-like structure, in which components activate sequentially and upstream failures suppress downstream effects. We study causal discovery in such chain-reaction systems and show that the causal structure is uniquely identifiable from blocking interventions that prevent individual components from activating. We propose a minimal estimator with finite-sample guarantees, achieving exponential error decay and logarithmic sample complexity. Experiments on synthetic models and diverse chain-reaction environments demonstrate reliable recovery from a few interventions, while observational heuristics fail in regimes with delayed or overlapping causal effects.
• Abstract（参考訳）: 因果発見は、強い構造仮定がなければ、基礎となる因果グラフは介入データからでも識別できないため、一般的な力学系では困難である。 しかし、多くの現実世界のシステムでは、コンポーネントが順次、上流の故障によって下流効果が抑制される、指向性のあるカスケードのような構造が示される。 このような連鎖反応系における因果発見について検討し、その因果構造が個々の成分の活性化を阻害する介入から一意に識別可能であることを示す。 有限サンプル保証付き最小推定器を提案し,指数的誤差減衰と対数的サンプル複雑性を実現する。 合成モデルと多様な連鎖反応環境の実験は、いくつかの介入から信頼できる回復を示す一方、観測的ヒューリスティックは遅延または重複した因果効果を持つ体制で失敗する。

関連論文リスト

• Scalable Contrastive Causal Discovery under Unknown Soft Interventions [3.165716101116899]
  本稿では,2つの観測と干渉のペア化のためのスケーラブルな因果探索モデルを提案し,その基礎構造と未知のソフト介入について述べる。 合成データの実験では、因果構造回復の改善、保持された因果機構を持つ未知のグラフへの一般化、より大きなグラフへのスケーラビリティが示されている。
  論文  参考訳（メタデータ） (2026-03-03T18:16:16Z)
• Latent Causal Diffusions for Single-Cell Perturbation Modeling [83.47931153555321]
  測定ノイズ下で観察された定常拡散過程として単細胞遺伝子発現をフレーム化する生成モデルを提案する。 LCDはシングルセルRNAシークエンシングスクリーンにおいて、目に見えない摂動の組み合わせの分布変化を予測するために確立されたアプローチより優れていた。 我々は、摂動応答(CLIPR)を介して因果線形化と呼ばれるアプローチを開発し、全ての遺伝子間の直接的な因果効果を近似する。
  論文  参考訳（メタデータ） (2026-01-20T16:15:38Z)
• Decomposing Interventional Causality into Synergistic, Redundant, and Unique Components [0.0]
  我々は、介入因果効果を相乗的で冗長でユニークな構成要素に分解する新しい枠組みを導入する。 本研究では,システム内の変数間で因果力がどのように分散しているかを体系的に定量化する数学的アプローチを開発する。
  論文  参考訳（メタデータ） (2025-01-20T12:34:51Z)
• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• PORCA: Root Cause Analysis with Partially Observed Data [15.007249208547885]
  ルート原因分析(RCA)は、複雑なシステムから因果構造を発見し解析することによって、システム障害の原因を特定することを目的としている。 以前の研究では、部分的な観察の効果を無視するシステムの全観察を暗黙的に仮定していた。 PORCAは、保存されていない共同創設者と保存されていない異質性の両方の下で、信頼性の高い根本原因を探索できる新しいRCAフレームワークである。
  論文  参考訳（メタデータ） (2024-07-08T12:31:12Z)
• ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
  因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。 純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
  論文  参考訳（メタデータ） (2021-03-26T02:42:38Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。