論文の概要: Discrete Causal Representation Learning

• arxiv url: http://arxiv.org/abs/2603.25017v1
• Date: Thu, 26 Mar 2026 04:28:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.097281
• Title: Discrete Causal Representation Learning
• Title（参考訳）: 離散因果表現学習
• Authors: Wenjin Zhang, Yixin Wang, Yuqi Gu,
• Abstract要約: 因果表現学習は、低レベル、絡み合った、ノイズの多い観察から、高レベルの潜伏変数間の因果関係を明らかにすることを目指している。 本稿では,離散潜伏変数間の有向非巡回グラフと,潜伏層と観測層を連結する疎二部グラフをモデル化する生成フレームワークを提案する。 軽度条件下では,両部測定グラフと潜在因果グラフの両方が観測データ分布のみから同定可能であることを示す。
• 参考スコア（独自算出の注目度）: 31.812206971607676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal representation learning seeks to uncover causal relationships among high-level latent variables from low-level, entangled, and noisy observations. Existing approaches often either rely on deep neural networks, which lack interpretability and formal guarantees, or impose restrictive assumptions like linearity, continuous-only observations, and strong structural priors. These limitations particularly challenge applications with a large number of discrete latent variables and mixed-type observations. To address these challenges, we propose discrete causal representation learning (DCRL), a generative framework that models a directed acyclic graph among discrete latent variables, along with a sparse bipartite graph linking latent and observed layers. This design accommodates continuous, count, and binary responses through flexible measurement models while maintaining interpretability. Under mild conditions, we prove that both the bipartite measurement graph and the latent causal graph are identifiable from the observed data distribution alone. We further propose a three-stage estimate-resample-discovery pipeline: penalized estimation of the generative model parameters, resampling of latent configurations from the fitted model, and score-based causal discovery on the resampled latents. We establish the consistency of this procedure, ensuring reliable recovery of the latent causal structure. Empirical studies on educational assessment and synthetic image data demonstrate that DCRL recovers sparse and interpretable latent causal structures.
• Abstract（参考訳）: 因果表現学習は、低レベル、絡み合った、ノイズの多い観察から、高レベルの潜伏変数間の因果関係を明らかにすることを目指している。 既存のアプローチはしばしば、解釈可能性や形式的な保証が欠けているディープニューラルネットワークに依存するか、線形性、連続的な観察、強い構造的先行性といった制限的な仮定を課す。 これらの制限は、多くの離散潜在変数と混合型観測を持つ応用に特に挑戦する。 これらの課題に対処するために、離散因果表現学習(DCRL)を提案する。これは、有向非巡回グラフを、有向および観測された層をリンクする疎二部グラフと共にモデル化する生成フレームワークである。 この設計は、解釈可能性を維持しながらフレキシブルな測定モデルを通じて、連続、カウント、バイナリ応答を許容する。 軽度条件下では,両部測定グラフと潜在因果グラフの両方が観測データ分布のみから同定可能であることを示す。 さらに、生成モデルパラメータのペナル化推定、適合モデルからの潜時構成の再サンプリング、再サンプリングされた潜時におけるスコアに基づく因果発見という3段階の推定・再サンプル探索パイプラインを提案する。 我々はこの手順の整合性を確立し、潜伏した因果構造の確実な回復を保証する。 教育評価と合成画像データに関する実証研究により、DCRLはスパースと解釈可能な潜伏因果構造を回復することを示した。

関連論文リスト

• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Towards Causal Representation Learning and Deconfounding from Indefinite Data [17.793702165499298]
  非統計データ(画像、テキストなど)は、従来の因果データとプロパティやメソッドの点で重大な対立に遭遇する。 2つの新しい視点から因果データを再定義し、3つのデータパラダイムを提案する。 非定値データから因果表現を学習するための動的変分推論モデルとして,上記の設計を実装した。
  論文  参考訳（メタデータ） (2023-05-04T08:20:37Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)

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。