論文の概要: Causal discovery under mean independence and linearity

• arxiv url: http://arxiv.org/abs/2605.04381v1
• Date: Wed, 06 May 2026 01:16:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.591454
• Title: Causal discovery under mean independence and linearity
• Title（参考訳）: 平均独立性と線形性下における因果発見
• Abstract要約: LiNGAMのような因果発見法は、相互に独立した障害を想定して観測データから因果構造を同定する。 リニア平均独立非循環モデル (LiMIAM) を導入し, 完全な独立性を, 障害に対する一方的な平均独立性制約に置き換える。 我々の証明は構成的であり、依存雑音下での因果発見のための逐次残差に基づくアルゴリズムであるDirectLiMIAMに導かれる。
• 参考スコア（独自算出の注目度）: 0.8049701904919515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery methods such as LiNGAM identify causal structure from observational data by assuming mutually independent disturbances. This assumption is fragile: shared volatility, common scale effects, or other forms of dependence can cause the methods to recover the wrong causal order, even with infinite data. We introduce the Linear Mean-Independent Acyclic Model (LiMIAM), which replaces full independence with weaker one-sided mean-independence restrictions on the disturbances. Under finite-order consequences of these restrictions, source nodes are generically identifiable, and hence a compatible causal order can be recovered recursively. Our proof is constructive and leads to DirectLiMIAM, a sequential residual-based algorithm for causal discovery under dependent noise. In simulations with mean-independent but dependent disturbances, DirectLiMIAM outperforms LiNGAM methods. A large-scale empirical application to the oil market highlights the implausibility of the independence assumption and the ability of DirectLiMIAM to recover a realistic causal ordering, from policy to production and from prices to inflation.
• Abstract（参考訳）: LiNGAMのような因果発見法は、相互に独立した障害を想定して観測データから因果構造を同定する。 この仮定は脆弱である:共有のボラティリティ、共通のスケール効果、その他の形式の依存は、メソッドが無限のデータであっても間違った因果順序を回復させる可能性がある。 リニア平均独立非循環モデル (LiMIAM) を導入し, 完全な独立性を, 障害に対する一方的な平均独立性制約に置き換える。 これらの制限の有限次結果の下では、ソースノードは総称的に識別可能であり、互換性のある因果順序を再帰的に回復することができる。 我々の証明は構成的であり、依存雑音下での因果発見のための逐次残差に基づくアルゴリズムであるDirectLiMIAMに導かれる。 平均非依存的だが依存的障害を持つシミュレーションでは、DirectLiMIAMはLiNGAM法より優れている。 石油市場への大規模な実証的応用は、独立の前提の不確実性とDirectLiMIAMが、政策から生産、価格からインフレまで、現実的な因果順序を回復する能力を強調している。

関連論文リスト

• Relaxing Faithfulness with Intervention-Only Causal Discovery [21.04716901927404]
  因果探索アルゴリズムは、ランダム変数間の因果関係を記述するネットワークを学習する。 最初のステップにおける重要な仮定は忠実さであり、因果関係の変数が統計的依存を示すという要件である。 この経路のキャンセルは忠実性に反し、因果関係を誤って除去する因果発見アルゴリズムが導かれる。
  論文  参考訳（メタデータ） (2026-07-13T17:12:12Z)
• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• Dependence Fidelity and Downstream Inference Stability in Generative Models [0.0]
  共分散レベル依存フィデリティは、生成モデルを評価するのに有用な基準である。 依存性のばらつきは、下流の推論において定量的不安定を引き起こす。 これらの結果から, 依存性の忠実度が生成モデル評価に有用であることが示唆された。
  論文  参考訳（メタデータ） (2026-03-17T18:24:31Z)
• Towards Unsupervised Causal Representation Learning via Latent Additive Noise Model Causal Autoencoders [1.9732490977700972]
  教師なし表現学習は、潜伏する生成因子を回復しようとする。 観測データから因果変数を遠ざけることは、監督なしでは不可能である。 本研究では、非教師付き発見のための強力な誘導バイアスとして、Latent Additive Noise Model Causal Autoencoder (LANCA)を提案する。
  論文  参考訳（メタデータ） (2025-12-15T10:52:30Z)
• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい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） (2024-10-02T04:01:38Z)
• A Causal Ordering Prior for Unsupervised Representation Learning [27.18951912984905]
  因果表現学習(Causal representation learning)は、データセットの変動の要因は、実際には因果関係にあると主張している。 本稿では,遅延付加雑音モデルを用いたデータ生成過程を考慮した,教師なし表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-11T18:12:05Z)
• 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)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。