論文の概要: Partial Effective Information Decomposition for Synergistic Causality

• arxiv url: http://arxiv.org/abs/2605.03267v1
• Date: Tue, 05 May 2026 01:39:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.710929
• Title: Partial Effective Information Decomposition for Synergistic Causality
• Title（参考訳）: 相乗的因果性のための部分的有効情報分解
• Authors: Mingzhe Yang, Shuo Wang, Jiang Zhang,
• Abstract要約: 本稿では,最大エントロピー介入の下で,複数のソース変数が対象変数に与える影響を分解するフレームワークを提案する。 この枠組みに基づいて、ハイパーエッジを含む因果グラフと下向き因果グラフを定義することができる。 このフレームワークをKnowAir-V2上での機械学習に基づく空気質予測タスクに適用することにより,PEIDが解釈可能なステーション間因果構造を抽出できることを実証する。
• 参考スコア（独自算出の注目度）: 7.157956561479179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causality is a central topic in scientific inquiry, yet for complex systems, the identification and analysis of synergistic causation remain a challenging and fundamental problem. In the context of causal relations among multivariate variables, a decomposition framework grounded in interventionist causation is still lacking. To address this gap, this paper proposes Partial Effective Information Decomposition (PEID), a framework that decomposes the influence of multiple source variables on a target variable under maximum-entropy interventions into unique and synergistic information, thereby providing a unified and computable characterization of synergistic causal relations. Theoretically, in the three-variable case, the proposed framework is compatible with the major axioms of Partial Information Decomposition (PID). Empirically, under maximum-entropy interventions, correlations among input variables are removed, causing redundancy to vanish and thereby enabling PEID to compute synergistic relations. Furthermore, based on this framework, it is possible to define causal graphs containing hyperedges as well as downward causation, thus offering a unified toolkit for analyzing cross-scale and multivariate causal mechanisms in complex systems. Finally, applying the framework to a machine-learning-based air quality forecasting task on KnowAir-V2, we demonstrate that PEID can extract interpretable inter-station causal structures from a learned dynamical model. These results suggest that PEID provides a general interventionist information-theoretic tool for analyzing multivariate and synergistic causal mechanisms in complex systems.
• Abstract（参考訳）: 因果関係は科学的調査において中心的な話題であるが、複雑なシステムでは相乗的因果関係の同定と分析は依然として困難で根本的な問題である。 多変量変数間の因果関係の文脈では、介入主義因果関係に基づく分解フレームワークはいまだに欠落している。 このギャップに対処するため,本論文では,最大エントロピー介入による対象変数に対する複数のソース変数の影響を,一意かつ相乗的情報に分解し,相乗的因果関係の統一的で計算可能な特徴を与えるフレームワークである部分有効情報分解(PEID)を提案する。 理論的には、3変数の場合、提案するフレームワークは部分情報分解(PID)の主要な公理と互換性がある。 経験的には、最大エントロピーの介入の下では、入力変数間の相関が取り除かれ、冗長性が消失し、PEIDが相乗関係を計算する。 さらに、この枠組みに基づいて、ハイパーエッジを含む因果グラフや下向き因果グラフを定義することが可能であり、複雑なシステムにおけるクロススケールおよび多変量因果機構を解析するための統一的なツールキットを提供する。 最後に,このフレームワークをKnowAir-V2上での学習に基づく空気質予測タスクに適用することにより,PEIDが学習力学モデルから解釈可能なステーション間因果構造を抽出できることを実証する。 これらの結果から,PEIDは複雑系における多変量および相乗的因果機構を解析するための一般的な介入情報理論ツールである可能性が示唆された。

関連論文リスト

• Decomposing Interventional Causality into Synergistic, Redundant, and Unique Components [0.0]
  我々は、介入因果効果を相乗的で冗長でユニークな構成要素に分解する新しい枠組みを導入する。 本研究では,システム内の変数間で因果力がどのように分散しているかを体系的に定量化する数学的アプローチを開発する。
  論文  参考訳（メタデータ） (2025-01-20T12:34:51Z)
• Higher order definition of causality by optimally conditioned transfer entropy [0.0]
  本稿では,因果推論に対する情報理論的アプローチの一般化と改良を提案する。 特に、多変量因果集合に因果的役割を割り当てるが、個々の入力には直交しない。 我々は、この概念を、実演理論的な例に適用し、生体物理学的に現実的な生体神経力学シミュレーションに応用することによって実証する。
  論文  参考訳（メタデータ） (2024-08-30T12:04:51Z)
• 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)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Quantify the Causes of Causal Emergence: Critical Conditions of Uncertainty and Asymmetry in Causal Structure [0.5372002358734439]
  統計的および情報理論に基づく因果関係の調査は、大規模モデルに興味深い、価値のある課題を提起している。 本稿では,その発生の理論的制約として,因果関係の数値的条件を評価するための枠組みを提案する。
  論文  参考訳（メタデータ） (2022-12-03T06:35:54Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。