論文の概要: Stable Blanket with Hidden Variables and Cycles

• arxiv url: http://arxiv.org/abs/2605.01856v1
• Date: Sun, 03 May 2026 12:56:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.967778
• Title: Stable Blanket with Hidden Variables and Cycles
• Title（参考訳）: 隠れ変数とサイクルを有する安定ブランケット
• Authors: Hanqing Xiang,
• Abstract要約: 本稿では,隠れ変数,因果サイクル,両方の特徴を同時に有するグラフィカル因果モデルにおける安定な毛布について検討する。 結果は、非巡回完全観測モデルを超えて、安定回帰のグラフィカル解釈を拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stabilized regression aims to identify a set of predictors whose conditional relationship with a response variable remains invariant across different environments. Existing graphical characterizations of the stable blanket are mainly developed for structural causal models (SCMs) without hidden variables or causal cycles. However, latent variables and feedback relationships naturally arise in many applications, and they can change both the Markov blanket and the set of predictors that remain stable under interventions. This paper studies stable blankets in graphical causal models with hidden variables, causal cycles, and both features simultaneously. For models with hidden variables, we use acyclic directed mixed graphs (ADMGs) and $m$-separation to characterize the Markov blanket and to construct intervention-stable predictor sets. We introduce the notion of an intervened sub-district and use it to describe how interventions may affect districts connected to the response. For models with cycles, we work with directed graphs (DGs) and directed mixed graphs (DMGs) together with $σ$-separation, treating strongly connected components (SCCs) as the basic graphical units. We then combine these ideas to analyze models with both hidden variables and cycles. The main results give graphical characterizations of Markov blankets, stable frontiers, and stable blankets in these generalized settings. In particular, we identify conditions under which the response is conditionally independent of intervention variables given a suitable predictor set, and we describe when such sets are minimal or unique. These results extend the graphical interpretation of stabilized regression beyond acyclic fully observed models.
• Abstract（参考訳）: 安定化回帰は、応答変数との条件付き関係が異なる環境間で不変である予測器の集合を特定することを目的としている。 既存の安定した毛布のグラフィカルな特徴は、主に隠れ変数や因果サイクルのない構造因果モデル(SCM)のために開発されている。 しかし、潜伏変数とフィードバックの関係は、多くのアプリケーションで自然に生じ、マルコフの毛布と介入の下で安定な予測器のセットの両方を変えることができる。 本稿では,隠れ変数,因果サイクル,両方の特徴を同時に有するグラフィカル因果モデルにおける安定な毛布について検討する。 隠れ変数を持つモデルに対しては、非巡回有向混合グラフ(ADMG)と$m$-セパレーションを用いてマルコフ毛布を特徴づけ、介入安定予測セットを構築する。 インターベンションされたサブセクションの概念を導入し、それを用いて、介入が応答に関連付けられた地区にどのように影響するかを説明する。 サイクルを持つモデルでは、有向グラフ(DG)と有向混合グラフ(DMG)と$σ$-セパレーションを併用し、強連結成分(SCC)を基本的なグラフィカル単位として扱う。 次にこれらのアイデアを組み合わせて、隠れ変数とサイクルの両方でモデルを分析します。 主な結果は、マルコフ毛布、安定フロンティア、およびこれらの一般化された設定における安定毛布のグラフィカルな特徴を与える。 特に、適切な予測器セットが与えられた介入変数から応答が条件的に独立な条件を特定し、そのような集合が最小あるいは一意であるかを記述する。 これらの結果は、非巡回完全観測モデルを超えて、安定回帰のグラフィカル解釈を拡張した。

関連論文リスト

• Causal Representation Learning from General Environments under Nonparametric Mixing [33.30496046313375]
  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。
  論文  参考訳（メタデータ） (2026-04-26T16:47:48Z)
• Causal computations in Semi Markovian Structural Causal Models using divide and conquer [0.20999222360659608]
  Bjru et al. は構造因果モデルにおける反事実確率の有界化のための新しい分割・対数アルゴリズムを提案した。 本稿では,テキスト・マルコフ型SCMへの方法論拡張について検討する。 そのようなモデルはマルコフモデルでは不可能な境界関係を表現することができる。
  論文  参考訳（メタデータ） (2025-11-17T19:08:53Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Extremal graphical modeling with latent variables via convex optimization [0.0]
  本稿では,潜在変数の存在下での極端グラフィカルモデル学習のためのトラクタブル凸プログラムを提案する。 提案手法では,H"usler-Reiss精度行列を,グラフィカル構造を符号化したスパース成分に分解する。 条件付きグラフと潜伏変数の数を連続的に復元することを示す。
  論文  参考訳（メタデータ） (2024-03-14T17:45:24Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Unleashing the Power of Graph Data Augmentation on Covariate Distribution Shift [50.98086766507025]
  本稿では,AIA(Adversarial Invariant Augmentation)という,シンプルで効率の良いデータ拡張戦略を提案する。 AIAは、拡張プロセス中に元の安定した特徴を同時に保存しながら、新しい環境をエクスポーレーションし、生成することを目的としている。
  論文  参考訳（メタデータ） (2022-11-05T07:55:55Z)
• 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)
• Large Scale Prediction with Decision Trees [9.917147243076645]
  本稿では,分類・回帰木(CART)とC4.5手法を用いて構築した決定木が,回帰・分類タスクに一貫性があることを示す。 この分析における重要なステップは、不平等の確立であり、不特定モデルの適合性と複雑性のトレードオフを正確に評価することができる。
  論文  参考訳（メタデータ） (2021-04-28T16:59:03Z)

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。