論文の概要: Efficient Symbolic Computations for Identifying Causal Effects

• arxiv url: http://arxiv.org/abs/2604.20516v1
• Date: Wed, 22 Apr 2026 12:59:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.131071
• Title: Efficient Symbolic Computations for Identifying Causal Effects
• Title（参考訳）: 因果効果の同定に有効な記号計算法
• Authors: Benjamin Hollering, Pratik Misra, Nils Sturma,
• Abstract要約: 因果効果の識別はシンボリック計算によって決定可能である。 有理同定可能性を決定するために記号計算を実際どのように利用するかを示す。
• 参考スコア（独自算出の注目度）: 0.6117371161379209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Determining identifiability of causal effects from observational data under latent confounding is a central challenge in causal inference. For linear structural causal models, identifiability of causal effects is decidable through symbolic computation. However, standard approaches based on Gröbner bases become computationally infeasible beyond small settings due to their doubly exponential complexity. In this work, we study how to practically use symbolic computation for deciding rational identifiability. In particular, we present an efficient algorithm that provably finds the lowest degree identifying formulas. For a causal effect of interest, if there exists an identification formula of a prespecified maximal degree, our algorithm returns such a formula in quasi-polynomial time.
• Abstract（参考訳）: 潜伏条件下での観測データから因果効果の識別可能性を決定することは因果推論における中心的な課題である。 線形構造因果モデルでは、因果効果の識別性はシンボリック計算によって決定可能である。 しかし、Gröbner基底に基づく標準的なアプローチは、その2倍の指数関数的な複雑さのため、小さな設定を超える計算不可能になる。 本研究では,有理的識別可能性を決定するために記号計算を実践的に利用する方法について検討する。 特に,最下位の同定式を確実に発見するアルゴリズムを提案する。 興味の因果効果について、あらかじめ特定された最大次数の識別公式が存在する場合、このアルゴリズムは準多項式時間でそのような式を返す。

関連論文リスト

• Clustering and Pruning in Causal Data Fusion [1.0923877073891441]
  Do-calculusは因果データ融合のための唯一の汎用ツールである。 本稿では,前処理操作としてプルーニング(不要変数の除去)とクラスタリング(組み合わせ変数)を提案する。
  論文  参考訳（メタデータ） (2025-05-21T07:44:39Z)
• Graph-based Complexity for Causal Effect by Empirical Plug-in [56.14597641617531]
  本稿では、因果効果クエリに対する経験的プラグイン推定の計算複雑性に焦点を当てる。 計算は、推定値のハイパーグラフに依存するため、データサイズにおいて、潜在的に線形な時間で効率的に行うことができることを示す。
  論文  参考訳（メタデータ） (2024-11-15T07:42:01Z)
• On the Complexity of Identification in Linear Structural Causal Models [3.44747819522562]
  空間内で動作するジェネリック識別のための,新しい音響および完全アルゴリズムを提案する。 また,同定が一般に困難であることを示す。
  論文  参考訳（メタデータ） (2024-07-17T13:11:26Z)
• Towards Bounding Causal Effects under Markov Equivalence [13.050023008348388]
  観測データのみを用いた因果関係の導出について考察する。 等価クラスの不変性を利用する因果効果のバウンダリを導出する体系的アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-11-13T11:49:55Z)
• Efficient Computation of Counterfactual Bounds [44.4263314637532]
  我々は,構造因果モデルのサブクラスにおけるクレダルネットのアルゴリズムを用いて,正確な反ファクト境界を計算する。 近似の精度を信頼性のある間隔で評価する。
  論文  参考訳（メタデータ） (2023-07-17T07:59:47Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Causal Effect Identification in Uncertain Causal Networks [30.239874638041904]
  因果同定は因果推論文学の中核にある。 因果グラフの辺が不確実性を持って存在し、例えば、ドメインの専門家の信念の度合いを表す可能性があることを示す。 実世界のネットワークとランダムに生成されたグラフの両方に対して,この問題を近似する効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:44:45Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• 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)

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。