論文の概要: Causal Representation Learning from General Environments under Nonparametric Mixing

• arxiv url: http://arxiv.org/abs/2604.23800v1
• Date: Sun, 26 Apr 2026 16:47:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.556442
• Title: Causal Representation Learning from General Environments under Nonparametric Mixing
• Title（参考訳）: 非パラメトリック混合下における一般環境からの因果表現学習
• Authors: Ignavier Ng, Shaoan Xie, Xinshuai Dong, Peter Spirtes, Kun Zhang,
• Abstract要約: 因果表現学習は、潜伏因果変数とその因果関係を低レベルの観測から回復することを目的としている。 より広い環境のクラスに適用可能な因果表現学習のためのデシラタの集合を定式化する。 我々は,非パラメトリック混合関数の下で潜伏変数を完全復元し,最小限の不定値まで同定できることを示す。
• 参考スコア（独自算出の注目度）: 33.30496046313375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal representation learning aims to recover the latent causal variables and their causal relations, typically represented by directed acyclic graphs (DAGs), from low-level observations such as image pixels. A prevailing line of research exploits multiple environments, which assume how data distributions change, including single-node interventions, coupled interventions, or hard interventions, or parametric constraints on the mixing function or the latent causal model, such as linearity. Despite the novelty and elegance of the results, they are often violated in real problems. Accordingly, we formalize a set of desiderata for causal representation learning that applies to a broader class of environments, referred to as general environments. Interestingly, we show that one can fully recover the latent DAG and identify the latent variables up to minor indeterminacies under a nonparametric mixing function and nonlinear latent causal models, such as additive (Gaussian) noise models or heteroscedastic noise models, by properly leveraging sufficient change conditions on the causal mechanisms up to third-order derivatives. These represent, to our knowledge, the first results to fully recover the latent DAG from general environments under nonparametric mixing. Notably, our results match or improve upon many existing works, but require less restrictive assumptions about changing environments.
• Abstract（参考訳）: 因果表現学習は、画像画素などの低レベルの観測から、通常、有向非巡回グラフ(DAG)で表される潜伏因果変数とその因果関係を復元することを目的としている。 一般的な研究のラインは、単一ノードの介入、結合の介入、ハードの介入、あるいは線形性のような混合関数や潜在因果モデルに対するパラメトリックな制約を含む、データの分散がどのように変化するかを仮定する複数の環境を利用する。 結果の斬新さと優雅さにもかかわらず、実際の問題ではしばしば違反される。 そこで、我々は、一般的な環境と呼ばれるより広い種類の環境に適用可能な因果表現学習のためのデシラタの集合を定式化する。 非パラメトリック混合関数と非線形潜時因果モデル、例えば加法(ガウス)ノイズモデルやヘテロセダスティックノイズモデルの下で、潜時DAGを完全に回復し、潜時変数を3階微分への十分な変化条件を適切に利用することにより、潜時変数を同定できることが興味深い。 これらの結果は,非パラメトリック混合条件下での一般環境から潜伏DAGを完全に回収する最初の結果である。 特に、我々の結果は既存の多くの作業と一致または改善しますが、環境の変化に関して制限的な仮定は必要ありません。

関連論文リスト

• The Implicit Bias of Heterogeneity towards Invariance: A Study of Multi-Environment Matrix Sensing [9.551225697705199]
  本稿では,不均一なデータに対するグラディエント・ディキセント(SGD)の暗黙バイアスについて検討し,その暗黙バイアスがモデル学習を不変解へと導くことを示す。 具体的には、各環境において、信号が(i)全環境間で共有される低ランク不変部分と(ii)環境依存のスプリアス成分とを含む多環境低ランク行列センシング問題について理論的に検討する。 重要な洞察は、明示的な正規化を伴わずに各環境で大きなステップサイズの大バッチSGDを逐次使用するだけで、不均一性に起因する振動は、モデル学習の急激なシグナルを確実に阻止することができることである。
  論文  参考訳（メタデータ） (2024-03-03T07:38:24Z)
• Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
  因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。 本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。 次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:51:58Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)

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。