論文の概要: Identification of Bivariate Causal Directionality Based on Anticipated Asymmetric Geometries

• arxiv url: http://arxiv.org/abs/2603.26024v1
• Date: Fri, 27 Mar 2026 02:45:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.333001
• Title: Identification of Bivariate Causal Directionality Based on Anticipated Asymmetric Geometries
• Title（参考訳）: 予測された非対称測地に基づく二変量因果方向の同定
• Authors: Alex Glushkovsky,
• Abstract要約: 本稿では,条件分布を考慮し,因果関係の方向を特定する2つの方法を提案する。 チューニングされたAAG法はモノトニック性指数を上回り、最高精度は77.9%に達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identification of causal directionality in bivariate numerical data is a fundamental research problem with important practical implications. This paper presents two alternative methods to identify direction of causation by considering conditional distributions: (1) Anticipated Asymmetric Geometries (AAG) and (2) Monotonicity Index. The AAG method compares the actual conditional distributions to anticipated ones along two variables. Different comparison metrics, such as correlation, cosine similarity, Jaccard index, K-L divergence, K-S distance, and mutual information have been evaluated. Anticipated distributions have been projected as normal based on dual response statistics: mean and standard deviation. The Monotonicity Index approach compares the calculated monotonicity indexes of the gradients of conditional distributions along two axes and exhibits counts of gradient sign changes. Both methods assume stochastic properties of the bivariate data and exploit anticipated unimodality of conditional distributions of the effect. It turns out that the tuned AAG method outperforms the Monotonicity Index and reaches a top accuracy of 77.9% compared to ANMs accuracy of 63 +/- 10% when classifying 95 pairs of real-world examples (Mooij et al, 2014). The described methods include a number of hyperparameters that impact accuracy of the identification. For a given set of hyperparameters, both the AAG or Monotonicity Index method provide a unique deterministic outcome of the solution. To address sensitivity to hyperparameters, tuning of hyperparameters has been done by utilizing a full factorial Design of Experiment. A decision tree has been fitted to distinguish misclassified cases using the input data's symmetrical bivariate statistics to address the question of: How decisive is the identification method of causal directionality?
• Abstract（参考訳）: 両変数の数値データにおける因果方向の同定は、重要な実践的意味を持つ基礎的な研究課題である。 本稿では,(1)予測された非対称測地(AAG)と(2)単調性指数(Monotonicity Index)の2つの方法を提案する。 AAG法は実条件分布を2変数の予測値と比較する。 相関,コサイン類似性,ジャカード指数,K-L発散,K-S距離,相互情報などの異なる比較指標を評価した。 予測分布は、平均偏差と標準偏差という双対応答統計に基づく正規分布として予測されている。 モノトニック性指数のアプローチは、2つの軸に沿った条件分布の勾配の計算されたモノトニック性指数を比較し、勾配の符号の変化の数を示す。 どちらの手法も、二変量データの確率的性質を仮定し、その効果の条件分布の予測一様性を利用する。 調整されたAAG法はモノトニック性指数よりも優れており、実世界の95組の例を分類した場合のANMsの精度は63+/-10%(Mooij et al, 2014)と比較して77.9%に達する。 記述された手法には、識別の精度に影響を与える多数のハイパーパラメータが含まれる。 与えられたハイパーパラメータの集合に対して、AAGまたはモノトニック性指数法は、その解の独自の決定論的結果を与える。 ハイパーパラメータに対する感度に対処するため、実験の完全な因子設計を利用することで、ハイパーパラメータのチューニングが行われた。 入力データの対称二変量統計を用いて、誤分類事例を識別するために、決定木が組み込まれている。

関連論文リスト

• Identification of Causal Direction under an Arbitrary Number of Latent Confounders [54.76982125821112]
  実世界のシナリオでは、観測された変数は複数の潜伏変数によって同時に影響を受けることがある。 我々は,特定の方法で構築された観測変数の高次累積行列を併用する。 これらの高次累積行列の階数不足特性から,2つの観測変数間の因果非対称性が直接観察可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-26T15:10:00Z)
• Density Ratio-based Causal Discovery from Bivariate Continuous-Discrete Data [3.8212328886531934]
  連続変数の条件密度比の単調性を分析することによって因果方向を決定する新しい手法を提案する。 我々の理論的解析は、連続変数が離散変数を引き起こすとき条件密度比が単調性を示すが、逆方向ではないことを示す。 この特性は、異なるタイプの変数間の因果方向を、強い分布仮定や情報内容の違いから生じる偏見を伴わずに比較するための、原則化された基礎を提供する。
  論文  参考訳（メタデータ） (2025-05-13T09:18:41Z)
• Causal vs. Anticausal merging of predictors [57.26526031579287]
  同じデータを用いて、因果方向と反因果方向の融合予測器から生じる差について検討した。 帰納的バイアスとしてCausal Maximum Entropy (CMAXENT) を用いて予測器をマージする。
  論文  参考訳（メタデータ） (2025-01-14T20:38:15Z)
• Causal Discovery by Kernel Deviance Measures with Heterogeneous Transforms [17.368146833023893]
  本稿では,RKHS埋め込みの異種変換に基づく新しいスコア尺度を提案し,因果発見のための条件密度の高次モーメントを抽出する。 各仮説的原因影響方向のスコアを比較して推論を行う。
  論文  参考訳（メタデータ） (2024-01-31T17:28:05Z)
• Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
  因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。 本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。 次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:51:58Z)
• Identification of Causal Structure with Latent Variables Based on Higher Order Cumulants [31.85295338809117]
  本稿では,潜伏変数の影響を受ける2つの変数間の因果エッジの存在を同定するための新しい手法を提案する。 このような因果エッジが流出した場合、因果方向を決定するための非対称性基準を導入する。
  論文  参考訳（メタデータ） (2023-12-19T08:20:19Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• A Nonparametric Test of Dependence Based on Ensemble of Decision Trees [0.0]
  提案した係数は、観測されたサンプルS_n : (X_i, Y_i), i = 1の量を定量化する置換様統計量である。 n は置換標本 S_nn : (X_i, Y_j) i, j = 1 から判別可能である。 2つの変数が独立している。
  論文  参考訳（メタデータ） (2020-07-24T02:48:33Z)
• Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
  我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。 暗黙正則化現象の理論的保証を提供する。
  論文  参考訳（メタデータ） (2020-07-16T13:27:47Z)
• Rethink Maximum Mean Discrepancy for Domain Adaptation [77.2560592127872]
  本論文は,(1)最大平均距離の最小化は,それぞれソースとクラス内距離の最大化に等しいが,その差を暗黙の重みと共同で最小化し,特徴判別性は低下する,という2つの本質的な事実を理論的に証明する。 いくつかのベンチマークデータセットの実験は、理論的な結果の有効性を証明しただけでなく、我々のアプローチが比較した最先端手法よりも大幅に向上できることを実証した。
  論文  参考訳（メタデータ） (2020-07-01T18:25:10Z)

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。