論文の概要: Iterative Identification Closure: Amplifying Causal Identifiability in Linear SEMs

• arxiv url: http://arxiv.org/abs/2604.09309v1
• Date: Fri, 10 Apr 2026 13:20:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.878453
• Title: Iterative Identification Closure: Amplifying Causal Identifiability in Linear SEMs
• Title（参考訳）: 反復的識別閉鎖:線形SEMにおける因果同定可能性の増幅
• Authors: Ziyi Ding, Xiao-Ping Zhang,
• Abstract要約: 因果同定を2つのフェーズに分離する一般的なフレームワークであるIterative Identification Closure (IIC)を紹介する。 IICは既知の係数を反復的に置き換えてシステム次元を減らし、標準的なHTCでは解決できないエッジを識別する。 IIC は音で単調であり、O(|E|) 反復に収束し、HTC と祖先分解の両方を厳密に仮定する。
• 参考スコア（独自算出の注目度）: 11.675718405602792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Half-Trek Criterion (HTC) is the primary graphical tool for determining generic identifiability of causal effect coefficients in linear structural equation models (SEMs) with latent confounders. However, HTC is inherently node-wise: it simultaneously resolves all incoming edges of a node, leaving a gap of "inconclusive" causal effects (15-23% in moderate graphs). We introduce Iterative Identification Closure (IIC), a general framework that decouples causal identification into two phases: (1) a seed function S_0 that identifies an initial set of edges from any external source of information (instrumental variables, interventions, non-Gaussianity, prior knowledge, etc.); and (2) Reduced HTC propagation that iteratively substitutes known coefficients to reduce system dimension, enabling identification of edges that standard HTC cannot resolve. The core novelty is iterative identification propagation: newly identified edges feed back to unlock further identification -- a mechanism absent from all existing graphical criteria, which treat each edge (or node) in isolation. This propagation is non-trivial: coefficient substitution alters the covariance structure, and soundness requires proving that the modified Jacobian retains generic full rank -- a new theoretical result (Reduced HTC Theorem). We prove that IIC is sound, monotone, converges in O(|E|) iterations (empirically <=2), and strictly subsumes both HTC and ancestor decomposition. Exhaustive verification on all graphs with n<=5 (134,144 edges) confirms 100% precision (zero false positives); with combined seeds, IIC reduces the HTC gap by over 80%. The propagation gain is gamma~4x (2 seeds identifying ~3% of edges to 97.5% total identification), far exceeding gamma<=1.2x of prior methods that incorporate side information without iterative feedback.
• Abstract（参考訳）: 線形構造方程式モデル(SEM)における因果効果係数の汎用的識別性を決定するための主要なグラフィカルツールとして,HTC (Half-Trek Criterion) がある。 しかし、HTCは本質的にノードワイズであり、ノードのすべてのエッジを同時に解決し、"決定不能"な因果効果(中間グラフでは15-23%)のギャップを残している。 因果的識別を2つのフェーズに分離する一般的なフレームワークであるIterative Identification Closure (IIC)を導入し、(1)外部情報(構造変数、介入、非ガウス的性、事前知識など)からエッジの最初の集合を識別する種関数S_0、(2)既知の係数を反復的に置き換えてシステム次元を減らし、標準HTCが解決できないエッジの識別を可能にするHTCの伝搬を減らした。 新しく識別されたエッジは、さらなる識別を解除するために送り返される -- それぞれのエッジ(またはノード)を分離して扱う、既存のすべてのグラフィカルな基準から外れたメカニズムである。 この伝播は非自明であり、係数置換は共分散構造を変化させ、音性は修正されたヤコビアンが一般の完全階数を保持することを証明する必要がある(これは新たな理論結果である (Reduced HTC Theorem)。 IIC は音で単調であり、O(|E|) の反復(例: <=2)に収束し、HTC と祖先の分解の両方を厳密に仮定する。 n<=5(134,144エッジ)の全グラフでの排他的検証により、100%精度(ゼロ偽陽性)が確認され、種の組み合わせにより、IICはHTCのギャップを80%以上削減する。 伝播利得はガンマ〜4x(エッジの3%から97.5%の総識別)であり、反復的なフィードバックを伴わないサイド情報を含む従来の手法のガンマ<=1.2xを超えている。

関連論文リスト

• Convergence of Byzantine-Resilient Gradient Tracking via Probabilistic Edge Dropout [1.3902537392439644]
  任意の相手メッセージを送信するビザンティンエージェントを用いたネットワーク上での分散最適化について検討する。 確率的エッジドロップアウトと漏洩積分(GT-PD-L)を用いたemphGradient Trackingを提案する。 GT-PD-Lは、盗難攻撃下での座標平均を最大4.3%上回る。
  論文  参考訳（メタデータ） (2026-04-01T03:55:42Z)
• Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment [0.0]
  本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。 OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
  論文  参考訳（メタデータ） (2026-03-19T17:43:12Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• Tethered Reasoning: Decoupling Entropy from Hallucination in Quantized LLMs via Manifold Steering [0.0]
  量子化言語モデルは基本的なジレンマに直面し、低いサンプリング温度は繰り返しモード崩壊した出力を発生させ、一方高温(T > 2.0)は軌道分岐と意味的不整合を引き起こす。 隠れ状態軌跡を事前に計算した真性多様体にテザリングすることで、幻覚から出力エントロピーを分離するフレームワークであるHELIXを提案する。
  論文  参考訳（メタデータ） (2026-02-06T06:24:37Z)
• Spectral Graph Clustering under Differential Privacy: Balancing Privacy, Accuracy, and Efficiency [53.98433419539793]
  エッジ差分プライバシー(DP)下におけるスペクトルグラフクラスタリングの問題点について検討する。 具体的には, (i) エッジフリップによるグラフ摂動と, エッジプライバシを強制する隣接行列シャッフルを併用したグラフ摂動, (ii) 次元と複雑性の複雑さを低減するために低次元空間における加法的ガウス雑音を伴うプライベートグラフプロジェクション, (iii) 収束性を維持しながらエッジDPを確保するために反復的にガウス雑音を分散するノイズの多いパワーイテレーション手法である。
  論文  参考訳（メタデータ） (2025-10-08T15:30:27Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• Few-Step Diffusion via Score identity Distillation [67.07985339442703]
  拡散蒸留は, テキスト・ツー・イメージ(T2I)拡散モデルを促進するための有望な戦略として浮上している。 既存の方法は、高分解能T2I拡散モデルを蒸留する際に、実像や教師合成画像に頼っている。 教師のCFGを無効にし、偽スコアネットワークでテキストコンディショニングを除去するZero-CFGと、偽スコアネットワークで否定的なCFGを適用するAnti-CFGの2つの新しいガイダンス戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-19T03:45:16Z)
• Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
  マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。 さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。 実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
  論文  参考訳（メタデータ） (2020-09-17T17:59:27Z)
• Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
  極値理論に基づく新しいアイデンティティ分離法を提案する。 重なり合うラベルノイズによる問題を大幅に低減する。 制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2020-07-14T12:26:50Z)

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。