論文の概要: Detecting Changes in Causal Dependence with Kernels and Copulas

• arxiv url: http://arxiv.org/abs/2605.05809v1
• Date: Thu, 07 May 2026 07:46:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.603407
• Title: Detecting Changes in Causal Dependence with Kernels and Copulas
• Title（参考訳）: カーネルとコプラによる因果関係の変化の検出
• Authors: Shakeel Gavioli-Akilagun, Kieran Wood, Francesco Quinzan,
• Abstract要約: 金融市場では、市場指標が資産リターンに与える影響は、時間とともに因果的に変化する可能性がある。 本稿では,カーネルの平均埋め込みと条件付きコーパスの積分差に基づく量を提案する。 この量に対するほぼ直線時間推定器を提案し, 収束率を明示的に表した。
• 参考スコア（独自算出の注目度）: 1.8707139489039097
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a framework for determining whether the causal dependence of an outcome $Y$ on a covariate $X$ changes at a given time point, given confounders $\boldsymbol{Z}$. For instance, in financial markets, the effect of a market indicator on asset returns may causally change over time. While many existing measures of association can be used to detect changes in joint and marginal distributions, in the absence of strong assumptions on the data generating process none are suitable for detecting changes in the causal mechanism or in the strength of causal relationship. In this work we approach the problem from a fully non-parametric perspective, and treat the causal mechanism as well as the distribution of the data as unknown. We introduce a quantity based on the integrated difference between kernel mean embeddings of certain conditionals copula, which is provably equal to zero if the causal dependence does not change and strictly positive else. A near-linear time estimator for the quantity is proposed, with rates of convergence explicitly spelled out. Extensive experiments demonstrate that the proposed statistic achieves high accuracy on multiple synthetic and real-world datasets. We additionally show how the proposed statistic can be used for change point detection when the goal is to detect changes in causal dependence occurring at an unknown times.
• Abstract（参考訳）: 共同ファウンダーが$\boldsymbol{Z}$を与えられた時点における共変量$X$変化に対して、結果の因果依存性が$Y$であるかどうかを決定するためのフレームワークを提案する。 例えば、金融市場では、市場指標が資産リターンに与える影響は、時間とともに因果的に変化する可能性がある。 しかし,データ生成過程における強い仮定がなければ,因果関係の強度や因果関係の変化を検出するには適していない。 本研究では、完全に非パラメトリックな視点から問題にアプローチし、因果メカニズムとデータの分布を未知として扱う。 因果依存性が変わらず、それ以外が厳密に正である場合、ある条件付きコプラのカーネル平均埋め込みの積分差に基づく量を導入する。 この量に対するほぼ直線時間推定器を提案し, 収束率を明示的に表した。 大規模な実験により、提案された統計学は、複数の合成および実世界のデータセットに対して高い精度を達成することが示された。 さらに,未知の時間に発生する因果依存性の変化を検出することを目的として,提案手法を用いて変化点検出を行う方法を示す。

関連論文リスト

• An Interpretable Measure for Quantifying Predictive Dependence between Continuous Random Variables -- Extended Version [0.0]
  連続変数 $X$ と $Y$ の関連度を評価する新しい尺度を導入する。 この尺度の重要な利点は、その解釈可能性である。 我々は,90,000以上の実・合成データセットを用いて測定結果の評価を行った。
  論文  参考訳（メタデータ） (2025-01-18T16:25:20Z)
• Causal Discovery-Driven Change Point Detection in Time Series [32.424281626708336]
  時系列における変化点検出は、時系列の確率分布が変化する瞬間を特定することを目的としている。 実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
  論文  参考訳（メタデータ） (2024-07-10T00:54:42Z)
• 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)
• 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)
• Temporally Disentangled Representation Learning [14.762231867144065]
  下位の潜伏変数とその因果関係が任意の非パラメトリック因果関係を持つかどうかは不明である。 時間遅延因果変数を復元する基本フレームワークである textbftextttTDRL を提案する。 私たちのアプローチは、このモジュラー表現を正しく活用しない既存のベースラインをかなり上回ります。
  論文  参考訳（メタデータ） (2022-10-24T23:02:49Z)
• 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)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• 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)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)

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。