論文の概要: Complete Causal Identification from Ancestral Graphs under Selection Bias
- arxiv url: http://arxiv.org/abs/2603.26301v1
- Date: Fri, 27 Mar 2026 11:08:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-30 21:49:48.463114
- Title: Complete Causal Identification from Ancestral Graphs under Selection Bias
- Title（参考訳）: 選択バイアス下における基底グラフからの完全因果同定
- Authors: Leihao Chen, Joris M. Mooij,
- Abstract要約: 多くの因果探索アルゴリズムは部分アンセストラルグラフ(PAG)を出力する
本稿では,PAGで表されるすべての因果モデル間で不変な拡張型条件付き独立関係の集合の特性について述べる。
- 参考スコア（独自算出の注目度）: 0.6015898117103068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many causal discovery algorithms, including the celebrated FCI algorithm, output a Partial Ancestral Graph (PAG). PAGs serve as an abstract graphical representation of the underlying causal structure, modeled by directed acyclic graphs with latent and selection variables. This paper develops a characterization of the set of extended-type conditional independence relations that are invariant across all causal models represented by a PAG. This theory allows us to formulate a general measure-theoretic version of Pearl's causal calculus and a sound and complete identification algorithm for PAGs under selection bias. Our results also apply when PAGs are learned by certain algorithms that integrate observational data with experimental data and incorporate background knowledge.
- Abstract（参考訳）: 有名なFCIアルゴリズムを含む多くの因果発見アルゴリズムは、部分アンセストラルグラフ(PAG)を出力する。
PAGは、潜在変数と選択変数を持つ有向非巡回グラフによってモデル化された、基礎となる因果構造の抽象的なグラフィカル表現として機能する。
本稿では,PAGで表されるすべての因果モデル間で不変な拡張型条件付き独立関係の集合の特性について述べる。
この理論により、パールの因果計算の一般的な測度理論バージョンと、選択バイアスの下でのPAGの完全同定アルゴリズムを定式化することができる。
また、観測データを実験データと統合し、背景知識を組み込んだ特定のアルゴリズムによりPAGを学習する場合にも適用できる。
関連論文リスト
- Coarsening Causal DAG Models [0.0]
本稿では,未知の介入対象を持つ介入データから抽象因果グラフを学習するための効率的で実証可能な一貫したアルゴリズムを提案する。
概念実証として、我々のアルゴリズムを既知の基底真理を持つ合成および実データに適用する。
論文 参考訳（メタデータ） (2026-01-15T15:56:20Z) - Generative Risk Minimization for Out-of-Distribution Generalization on Graphs [71.48583448654522]
本稿では,抽出ではなく,各入力グラフの不変部分グラフを生成するために,GRM (Generative Risk Minimization) という革新的なフレームワークを提案する。
我々は,ノードレベルのOOD一般化とグラフレベルのOOD一般化のために,さまざまな実世界のグラフデータセットに対して広範な実験を行う。
論文 参考訳（メタデータ） (2025-02-11T21:24:13Z) - Knowledge Propagation over Conditional Independence Graphs [2.2721854258621064]
条件独立(CI)グラフは特徴間の依存をキャプチャする。
本稿では,CIグラフ上で知識伝達を行うアルゴリズムを提案する。
実験により,我々の技術は一般公開されたColaおよびPubMedデータセットの最先端性の向上を実証した。
論文 参考訳（メタデータ） (2023-08-10T21:06:18Z) - Approximating Counterfactual Bounds while Fusing Observational, Biased
and Randomised Data Sources [64.96984404868411]
我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。
利用可能なデータの可能性は局所的な最大値を持たないことを示す。
次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
論文 参考訳（メタデータ） (2023-07-31T11:28:24Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳（メタデータ） (2022-02-22T21:27:31Z) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳（メタデータ） (2022-01-28T09:30:32Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z) - Learning non-Gaussian graphical models via Hessian scores and triangular
transport [6.308539010172309]
連続分布と非ガウス分布のマルコフ構造を学習するアルゴリズムを提案する。
このアルゴリズムは三角トランスポートマップによって誘導される決定論的結合を用いて密度を推定し、グラフのスパース性を明らかにするために地図内のスパース構造を反復的に活用する。
論文 参考訳（メタデータ） (2021-01-08T16:42:42Z)
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。