論文の概要: On the Relationship between Bayesian Networks and Probabilistic Structural Causal Models

• arxiv url: http://arxiv.org/abs/2603.27406v1
• Date: Sat, 28 Mar 2026 20:59:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.941781
• Title: On the Relationship between Bayesian Networks and Probabilistic Structural Causal Models
• Title（参考訳）: ベイズネットワークと確率論的構造因果モデルとの関係について
• Authors: Peter J. F. Lucas, Eleanora Zullo, Fabio Stella,
• Abstract要約: 本研究では,確率的グラフィカルモデル,特にベイズ的ネットワークと因果図の関係について検討する。 線形代数と線形計画法が変換の鍵となる方法であることを示す。
• 参考スコア（独自算出の注目度）: 0.6750956031664913
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, the relationship between probabilistic graphical models, in particular Bayesian networks, and causal diagrams, also called structural causal models, is studied. Structural causal models are deterministic models, based on structural equations or functions, that can be provided with uncertainty by adding independent, unobserved random variables to the models, equipped with probability distributions. One question that arises is whether a Bayesian network that has obtained from expert knowledge or learnt from data can be mapped to a probabilistic structural causal model, and whether or not this has consequences for the network structure and probability distribution. We show that linear algebra and linear programming offer key methods for the transformation, and examine properties for the existence and uniqueness of solutions based on dimensions of the probabilistic structural model. Finally, we examine in what way the semantics of the models is affected by this transformation. Keywords: Causality, probabilistic structural causal models, Bayesian networks, linear algebra, experimental software.
• Abstract（参考訳）: 本稿では,確率的グラフィカルモデル,特にベイズ的ネットワークと因果図(構造因果モデルとも呼ばれる)の関係について検討する。 構造因果モデル(Structure causal model)は、構造方程式や関数に基づく決定論的モデルであり、確率分布を備えた独立で観測されていない確率変数をモデルに追加することによって不確実性を与えることができる。 1つの疑問は、専門家の知識から得られたり、データから学んだベイズネットワークが確率論的構造因果モデルにマッピングできるかどうか、そしてネットワーク構造と確率分布に結果をもたらすかどうかである。 線形代数と線形計画法は変換の鍵となる方法を示し、確率的構造モデルの次元に基づく解の存在と一意性について検討する。 最後に、この変換によってモデルのセマンティクスがどのように影響を受けるかを検討する。 キーワード:因果性、確率的構造因果モデル、ベイズネットワーク、線形代数、実験ソフトウェア。

関連論文リスト

• Generative Flow Networks: Theory and Applications to Structure Learning [7.6872614776094]
  この論文は、ベイズの観点からの構造学習の問題を研究する。 ジェネレーティブフローネットワーク(GFlowNets)を導入 GFlowNetsは、生成をシーケンシャルな意思決定問題として扱う。
  論文  参考訳（メタデータ） (2025-01-09T17:47:17Z)
• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Cyclic Directed Probabilistic Graphical Model: A Proposal Based on Structured Outcomes [0.0]
  本稿では,指向性周期依存を直接キャプチャ可能な確率的グラフィカルモデル(確率的関係ネットワーク)について述べる。 このモデルは確率公理に違反せず、観測データからの学習をサポートする。 特に、確率的推論をサポートし、データ分析やエキスパートおよび設計アプリケーションにおいて、将来的なツールとなる。
  論文  参考訳（メタデータ） (2023-10-25T10:19:03Z)
• Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes [51.84122462615402]
  本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。 我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
  論文  参考訳（メタデータ） (2022-11-04T21:57:39Z)
• 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)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Tractably Modelling Dependence in Networks Beyond Exchangeability [0.0]
  本研究では, ネットワークの推定, クラスタリング, 次数挙動について検討する。 このことは、一般的には交換不能なネットワークデータをブロックモデルで記述できる理由と方法を探る。
  論文  参考訳（メタデータ） (2020-07-28T17:13:59Z)
• Semi-Structured Distributional Regression -- Extending Structured Additive Models by Arbitrary Deep Neural Networks and Data Modalities [0.0]
  本稿では、構造化回帰モデルとディープニューラルネットワークを統合ネットワークアーキテクチャに結合する一般的なフレームワークを提案する。 数値実験において,本フレームワークの有効性を実証し,ベンチマークや実世界の応用において,そのメリットを実証する。
  論文  参考訳（メタデータ） (2020-02-13T21:01:26Z)

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。