論文の概要: Beyond identifiability: Learning causal representations with few environments and finite samples

• arxiv url: http://arxiv.org/abs/2603.25796v1
• Date: Thu, 26 Mar 2026 18:03:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.222232
• Title: Beyond identifiability: Learning causal representations with few environments and finite samples
• Title（参考訳）: 識別可能性を超えて:少数の環境と有限標本を用いた因果表現の学習
• Authors: Inbeom Lee, Tongtong Jin, Bryon Aragam,
• Abstract要約: サブ線形な環境を持つデータから因果表現を学習するための明示的な有限サンプル保証を提供する。 因果表現は未知の多ノード干渉の対数でのみ学習可能であることを示す。
• 参考スコア（独自算出の注目度）: 19.848381202230925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We provide explicit, finite-sample guarantees for learning causal representations from data with a sublinear number of environments. Causal representation learning seeks to provide a rigourous foundation for the general representation learning problem by bridging causal models with latent factor models in order to learn interpretable representations with causal semantics. Despite a blossoming theory of identifiability in causal representation learning, estimation and finite-sample bounds are less well understood. We show that causal representations can be learned with only a logarithmic number of unknown, multi-node interventions, and that the intervention targets need not be carefully designed in advance. Through a careful perturbation analysis, we provide a new analysis of this problem that guarantees consistent recovery of (a) the latent causal graph, (b) the mixing matrix and representations, and (c) \emph{unknown} intervention targets.
• Abstract（参考訳）: サブ線形な環境を持つデータから因果表現を学習するための明示的な有限サンプル保証を提供する。 因果表現学習は、因果表現を因果意味論で学習するために、潜在因子モデルで因果モデルをブリッジすることで、一般表現学習問題の厳密な基礎を提供する。 因果表現学習における識別可能性の開花理論にもかかわらず、推定と有限サンプル境界はよく理解されていない。 因果表現は、未知のマルチノード介入の対数でのみ学習できることを示し、介入対象を事前に慎重に設計する必要はないことを示した。 注意深い摂動解析を通じて、一貫した回復を保証するこの問題の新しい分析を提供する。 a)潜伏因果グラフ b)混合行列と表現,及び (c) \emph{unknown} 介入ターゲット。

関連論文リスト

• Discrete Causal Representation Learning [31.812206971607676]
  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。
  論文  参考訳（メタデータ） (2026-03-26T04:28:02Z)
• Identifiability Guarantees for Causal Disentanglement from Purely Observational Data [10.482728002416348]
  因果解離は、データの背後にある潜在因果関係について学ぶことを目的としている。 近年の進歩は、(単一の)潜伏因子への介入が可能であると仮定して、識別可能性(identifiability)が確立されている。 非線形因果モデルで同定できる潜伏因子の高精度な評価法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T04:18:29Z)
• 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)
• Specify Robust Causal Representation from Mixed Observations [35.387451486213344]
  観測から純粋に表現を学習することは、予測モデルに有利な低次元のコンパクトな表現を学習する問題を懸念する。 本研究では,観測データからこのような表現を学習するための学習手法を開発した。 理論的および実験的に、学習された因果表現で訓練されたモデルは、敵の攻撃や分布シフトの下でより堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-10-21T02:18:35Z)
• A Causal Ordering Prior for Unsupervised Representation Learning [27.18951912984905]
  因果表現学習(Causal representation learning)は、データセットの変動の要因は、実際には因果関係にあると主張している。 本稿では,遅延付加雑音モデルを用いたデータ生成過程を考慮した,教師なし表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-11T18:12:05Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• 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。