論文の概要: Bivariate Causal Discovery Using Rate-Distortion MDL: An Information Dimension Approach

• arxiv url: http://arxiv.org/abs/2604.05829v1
• Date: Tue, 07 Apr 2026 13:01:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.833845
• Title: Bivariate Causal Discovery Using Rate-Distortion MDL: An Information Dimension Approach
• Title（参考訳）: 利率歪みMDLを用いた二変量因果探索:情報次元アプローチ
• Authors: Tiago Brogueira, Mário A. T. Figueiredo,
• Abstract要約: 我々は,現状のMDLに基づく手法が原因変数の記述長を推定する問題に正しく対処していないことを論じる。 速度歪み理論に基づいて, 基礎となる分布の歪みレベルを表すのに必要な最小速度に対応する, 原因の記述長を測定する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 2.1986675261317163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Approaches to bivariate causal discovery based on the minimum description length (MDL) principle approximate the (uncomputable) Kolmogorov complexity of the models in each causal direction, selecting the one with the lower total complexity. The premise is that nature's mechanisms are simpler in their true causal order. Inherently, the description length (complexity) in each direction includes the description of the cause variable and that of the causal mechanism. In this work, we argue that current state-of-the-art MDL-based methods do not correctly address the problem of estimating the description length of the cause variable, effectively leaving the decision to the description length of the causal mechanism. Based on rate-distortion theory, we propose a new way to measure the description length of the cause, corresponding to the minimum rate required to achieve a distortion level representative of the underlying distribution. This distortion level is deduced using rules from histogram-based density estimation, while the rate is computed using the related concept of information dimension, based on an asymptotic approximation. Combining it with a traditional approach for the causal mechanism, we introduce a new bivariate causal discovery method, termed rate-distortion MDL (RDMDL). We show experimentally that RDMDL achieves competitive performance on the Tübingen dataset. All the code and experiments are publicly available at github.com/tiagobrogueira/Causal-Discovery-In-Exchangeable-Data.
• Abstract（参考訳）: 最小記述長(MDL)原理に基づく二変量因果発見へのアプローチは、各因果方向のモデルの(計算不可能な)コルモゴロフ複雑性を近似し、より低い総複雑性を持つものを選択する。 前提は、自然のメカニズムは真の因果順で単純であるということである。 本質的に、各方向の記述長(複雑さ)は、原因変数と因果機構の記述を含む。 本研究では,現状のMDLに基づく手法は原因変数の記述長を推定する問題に正しく対応せず,因果メカニズムの記述長に決定を委ねる。 速度歪み理論に基づいて, 基礎となる分布の歪みレベルを表すのに必要な最小速度に対応する, 原因の記述長を測定する新しい手法を提案する。 この歪みレベルはヒストグラムに基づく密度推定の規則を用いて推定され、その速度は漸近近似に基づいて関連する情報次元の概念を用いて計算される。 因果的メカニズムの従来のアプローチと組み合わせて、新しい二変量因果的発見法、RDMDL(rate-distortion MDL)を導入する。 本研究では,RDMDLがチュービンゲンデータセット上での競合性能を実証した。 すべてのコードと実験はgithub.com/tiagobrogueira/Causal-Discovery-In-Exchangeable-Dataで公開されている。

関連論文リスト

• Generation Order and Parallel Decoding in Masked Diffusion Models: An Information-Theoretic Perspective [16.942478643768144]
  Masked Diffusion Models (MDMs) は、逐次決定論のトレードオフによって推論を著しく加速する。 我々は,2つの障害源である順序感度と並列化バイアスを分離し,解析するための統合情報理論フレームワークを提供する。
  論文  参考訳（メタデータ） (2026-01-30T20:15:18Z)
• Learning Causal States Under Partial Observability and Perturbation [29.533770208192845]
  既存の手法では、部分的な可観測性に対処しながら摂動を緩和できない。 Asynchronous Diffusion Model (CaDiff) に基づくtextitCausal State Representationを提案する。 CaDiffは、理論的な厳密さと実用性の両方で拡散モデルを用いて因果状態を近似する最初のフレームワークである。
  論文  参考訳（メタデータ） (2025-11-29T06:56:03Z)
• Towards Minimal Causal Representations for Human Multimodal Language Understanding [20.44307628909198]
  従来の可能性よりも因果原理を活用する因果多様情報ボトルネック(CaMIB)モデルを導入する。 因果的特徴のグローバルな整合性を確保するため,器用変数制約を組み込む。 マルチモーダル感情分析、ユーモア検出、およびサルカズム検出の実験は、OODテストセットとともに、CaMIBの有効性を実証した。
  論文  参考訳（メタデータ） (2025-09-26T03:04:23Z)
• Identifying Causal Direction via Dense Functional Classes [0.0]
  LCUBEは実世界のTuebingen の因果効果ペアデータセット上で AUDRC の精度に優れることを示す。 また、一般的な10のベンチマークデータセットの平均精度も向上し、13のデータセットの平均精度を達成している。
  論文  参考訳（メタデータ） (2025-08-30T15:42:31Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Scalable Vector Gaussian Information Bottleneck [19.21005180893519]
  そこで我々は,エンコーダが観測の複数の記述を出力するスケーラブルな情報ボトルネックと呼ばれる問題の変動について検討する。 分布が不明な一般ソースに対する変分推論型アルゴリズムを導出し,ニューラルネットワークを用いてパラメータ化する方法を示す。
  論文  参考訳（メタデータ） (2021-02-15T12:51:26Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。