論文の概要: From Local to Cluster: A Unified Framework for Causal Discovery with Latent Variables

• arxiv url: http://arxiv.org/abs/2604.22416v1
• Date: Fri, 24 Apr 2026 10:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.421913
• Title: From Local to Cluster: A Unified Framework for Causal Discovery with Latent Variables
• Title（参考訳）: ローカルからクラスタへ:潜伏変数による因果発見のための統一フレームワーク
• Authors: Zongyu Li,
• Abstract要約: 潜伏変数は因果発見と推論に根本的な課題をもたらす。 クラスタレベルのメソッドはマクロ因果推論を可能にするが、クラスタが先行性を知っていると仮定するか、因果補足が必要であると仮定する。 本稿では,局所構造学習とクラスタレベルの因果発見を橋渡しする統一フレームワークであるL2C(Local to Cluster Causal Abstraction)を提案する。
• 参考スコア（独自算出の注目度）: 2.6735807070914723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Latent variables pose a fundamental challenge to causal discovery and inference. Conventional local methods focus on direct neighbors but fail to provide macro level insights. Cluster level methods enable macro causal reasoning but either assume clusters are known a priori or require causal sufficiency. Moreover, directly applying single variable causal discovery methods to cluster level problems violates causal sufficiency and leads to incorrect results. To overcome these limitations, this paper proposes L2C (Local to Cluster Causal Abstraction), a unified framework that bridges local structure learning and cluster level causal discovery. Unlike prior work that requires a complete manual assignment of micro variables to clusters, L2C discovers the partition automatically from local causal patterns. Our solution leverages a cluster reduction theorem to reduce any cluster to at most three nodes without loss of causal information, applies local causal discovery to identify direct causes, effects, and V structures in the presence of latent variables, and performs macro level causal inference via cluster level calculus on the learned cluster graph. L2C does not assume causal sufficiency, as latent variables are handled through local discovery. Theoretical analysis shows that L2C ensures soundness, atomic completeness, and computational efficiency. Extensive experiments on synthetic and real world data demonstrate that L2C accurately recovers ground truth clusters and achieves superior macro causal effect identification compared to existing baselines.
• Abstract（参考訳）: 潜伏変数は因果発見と推論に根本的な課題をもたらす。 従来のローカルメソッドは、直接隣人に焦点を当てるが、マクロレベルの洞察を提供することができない。 クラスタレベルのメソッドはマクロ因果推論を可能にするが、クラスタが先行性を知っていると仮定するか、因果補足が必要であると仮定する。 さらに、単一変数因果探索法をクラスタレベルの問題に直接適用することは因果補充性に反し、誤った結果をもたらす。 これらの制約を克服するために,局所構造学習とクラスタレベルの因果発見を橋渡しする統一フレームワークであるL2C(Local to Cluster Causal Abstraction)を提案する。 クラスタへのマイクロ変数の完全な手動割り当てを必要とする以前の作業とは異なり、L2Cはローカル因果パターンからパーティションを自動的に検出する。 提案手法はクラスタ削減定理を利用して,因果情報を失うことなく,任意のクラスタを少なくとも3つのノードに還元し,潜伏変数の存在下で直接原因,効果,V構造を特定する局所因果探索を適用し,学習したクラスタグラフ上でクラスタレベル計算によるマクロレベルの因果推論を行う。 潜伏変数は局所的な発見によって処理されるため、L2Cは因果補充を前提としない。 理論的解析によると、L2Cは音性、原子完全性、計算効率を保証している。 合成および実世界のデータに関する大規模な実験により、L2Cは地上の真理クラスターを正確に回収し、既存のベースラインよりも優れたマクロ因果効果を同定することを示した。

関連論文リスト

• GALACTIC: Global and Local Agnostic Counterfactuals for Time-series Clustering [9.33534873952683]
  本稿では,非教師付き時系列クラスタリングのための局所的およびグローバル的対実的説明性を橋渡しする,最初の統一フレームワークであるGALACTICを紹介する。 インスタンスレベル(ローカル)では、GALACTICはクラスタ認識最適化の目的を通じて摂動を生成する。 クラスタレベル(グローバル)では、認知負荷を軽減し、解釈可能性を高めるため、代表的なCE選択問題を定式化する。
  論文  参考訳（メタデータ） (2026-03-05T15:59:33Z)
• CLiMB: A Domain-Informed Novelty Detection Clustering Framework for Scientific Discovery [1.0554048699217669]
  CLiMBはドメイン・インフォームド・クラスタリングのためのドメイン・インフォームド・フレームワークである。 未知の構造物の探査から事前の知識を利用する。 CLiMBは、既知の銀河系のサブストラクチャの回復において90%のシードカバレッジを持つ0.829の調整されたランダムインデックスを達成している。
  論文  参考訳（メタデータ） (2026-01-14T11:21:05Z)
• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• DeCaFlow: A deconfounding causal generative model [48.86777554649186]
  本稿では,分解因果生成モデルであるDeCaFlowを紹介する。 DeCaFlowの単一インスタンスがdo-calculusで識別可能なすべての因果クエリに対して正しい推定値を提供することを示す。 多様な設定に関する実証的な結果は、DeCaFlowが既存のアプローチよりも優れており、任意の因果グラフに適用可能であることを示している。
  論文  参考訳（メタデータ） (2025-03-19T11:14:16Z)
• Hybrid Local Causal Discovery [18.433302772814468]
  局所因果発見は、対象変数の直接の原因と影響を観測データから学習し、識別することを目的としている。 既存の制約に基づく局所因果発見法は、局所因果骨格の構築にANDまたはORルールを使用している。 HLCDと呼ばれるハイブリッド局所因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-27T07:53:59Z)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
  我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。 大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• 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)
• CCSL: A Causal Structure Learning Method from Multiple Unknown Environments [32.61349047509467]
  非i.d.データからの因果発見のための統一因果クラスタ構造学習法(CCSL)を提案する。 本手法は,(1)同じ因果機構を持つ被験者をクラスタリングすること,(2)被験者のサンプルから因果構造を学習すること,の2つの課題を同時に統合する。
  論文  参考訳（メタデータ） (2021-11-18T12:50:53Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)

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。