論文の概要: Data-Driven Covariate Selection for Nonparametric and Cycle-Agnostic Causal Effect Estimation

• arxiv url: http://arxiv.org/abs/2605.06385v1
• Date: Thu, 07 May 2026 15:02:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.927094
• Title: Data-Driven Covariate Selection for Nonparametric and Cycle-Agnostic Causal Effect Estimation
• Title（参考訳）: 非パラメトリックおよびサイクル非依存因果効果推定のためのデータ駆動共変量選択
• Authors: Ana Leticia Garcez Vicente, Gijs van Seeventer, Saber Salehkaleybar,
• Abstract要約: 観測データから因果効果を推定するには、有効な調整セットを特定する必要がある。 既存のアプローチは典型的には非循環を前提とするか、大域的な因果構造学習に依存している。 本手法は, 周期的および非周期的な設定に対して, 変更することなく適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 6.314911271798747
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Estimating causal effects from observational data requires identifying valid adjustment sets. This task is especially challenging in realistic settings where latent confounding and feedback loops are present. Existing approaches typically assume acyclicity or rely on global causal structure learning, limiting applicability and computational efficiency. In this work, we study a local, data-driven method for covariate selection based on conditional independence information. While this method is known to be sound and complete in acyclic causal models, its validity in the presence of cycles has remained unclear. Our main contribution is to show that these guarantees extend to cyclic causal models. In particular, our result relies on the invariance of conditional independence assertions under $σ$-acyclification. These findings establish a unified, cycle-agnostic perspective on covariate selection and causal effect estimation, showing that the method applies across cyclic and acyclic settings without modification. Empirically, we validate this on extensive synthetic data, showing reliable performance in cyclic causal models.
• Abstract（参考訳）: 観測データから因果効果を推定するには、有効な調整セットを特定する必要がある。 このタスクは、遅延したコンファウンディングやフィードバックループが存在する現実的な環境では特に難しい。 既存のアプローチでは、典型的には非巡回性を前提とするか、大域的な因果構造学習に依存し、適用性や計算効率を制限している。 本研究では,条件付き独立情報に基づく共変量選択のための局所的データ駆動方式について検討する。 この手法は非循環因果モデルにおいて健全かつ完全であることが知られているが、サイクルの存在下での妥当性はいまだ不明である。 我々の主な貢献は、これらの保証が循環因果モデルにまで拡張されていることを示すことである。 特に、我々の結果は$σ$-acyclificationの下で条件付き独立性アサーションの不変性に依存している。 これらの結果から,共変量選択と因果効果推定に関する一貫したサイクル依存的視点が確立され,その手法が周期的および非周期的な設定に対して,変更なく適用できることが示唆された。 実験により、循環因果モデルにおいて、これを広範囲な合成データで検証し、信頼性の高い性能を示す。

関連論文リスト

• Circular Reasoning: Understanding Self-Reinforcing Loops in Large Reasoning Models [66.11277323593475]
  Circular Reasoningは、生成されたコンテンツが自身の再発の論理的前提として機能する自己強化トラップである。 機械学的には、円の推論は異なる境界を示す状態崩壊として特徴付けられる。 自己強化型V字型アテンション機構によって駆動される不自由なサイクルとして継続するループ開始を誘導する推論が阻害されることを明らかにする。
  論文  参考訳（メタデータ） (2026-01-09T10:23:55Z)
• A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
  離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。 最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
  論文  参考訳（メタデータ） (2025-06-10T12:41:26Z)
• Practically Effective Adjustment Variable Selection in Causal Inference [0.0]
  本稿では,適応変数のリストから変数を選択するための基準をアルゴリズムとともに提案し,因果効果推定における劣化精度を抑える。 既存のデータと人工データの両方を用いて,本手法の実用性を実証する。
  論文  参考訳（メタデータ） (2025-02-04T20:35:19Z)
• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• 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)
• Robust Estimation of Causal Heteroscedastic Noise Models [7.568978862189266]
  学生の$t$-distributionは、より小さなサンプルサイズと極端な値で、全体の分布形態を著しく変えることなく、サンプル変数をサンプリングすることの堅牢さで知られている。 我々の経験的評価は、我々の推定器はより堅牢で、合成ベンチマークと実ベンチマークの総合的な性能が向上していることを示している。
  論文  参考訳（メタデータ） (2023-12-15T02:26:35Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• Causal Inference Using Linear Time-Varying Filters with Additive Noise [18.35147325731821]
  制約構造因果モデルフレームワークを用いた因果推論は、データ生成機構による原因と効果の非対称性に大きく依存する。 データの非定常性を利用して対称性を破ることを提案する。 主な理論的結果は,原因と効果が時間変化フィルタを介して接続された場合,因果方向が汎用ケースで同定可能であることを示している。
  論文  参考訳（メタデータ） (2020-12-23T23:35:58Z)
• Inference of Causal Effects when Control Variables are Unknown [16.244541005112747]
  本研究では, 平均因果効果を推定する手法を提案する。 データ生成過程が非循環構造因果モデルのクラスに属する場合、本手法が有効な信頼区間を生成することを証明した。
  論文  参考訳（メタデータ） (2020-12-15T08:54:26Z)
• Cycles in Causal Learning [8.797368310561058]
  我々は、介入の下流効果がソース変数に伝播するとき、サイクルがフィードバックループを引き起こすことを示す。 その結果,観測データから変数間の独立性が示唆される場合でも,周期的因果依存性が存在する可能性が示唆された。
  論文  参考訳（メタデータ） (2020-07-24T03:58:02Z)

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。