論文の概要: Causal Learning with the Invariance Principle

• arxiv url: http://arxiv.org/abs/2605.13589v1
• Date: Wed, 13 May 2026 14:25:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.102527
• Title: Causal Learning with the Invariance Principle
• Title（参考訳）: 不変原理による因果学習
• Authors: Francesco Montagna, Francesco Locatello,
• Abstract要約: 2つの補助環境が正当性推論を保証するのに十分であることを示す。 合成データに関する理論的結果を実証的に支援する。
• 参考スコア（独自算出の注目度）: 27.265342422805073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery, the problem of inferring the direction of causality, is generally ill-posed. We use the language of structural causal models (SCM) to show that assuming that the causal relations are acyclic and invariant across multiple environments (e.g., the way minimum wage affects employment rate is stable across different geographical regions), \textit{only} two auxiliary environments are sufficient to infer the causal graph for arbitrary nonlinear mechanisms. Moreover, we demonstrate that this implies identifiability of the SCM functional mechanisms: as a corollary, we show that \textit{two} auxiliary environments are sufficient to guarantee correct counterfactual inference. We empirically support our theoretical results on synthetic data.
• Abstract（参考訳）: 因果関係の方向を推測する因果関係の発見は、一般的に不適切である。 構造因果モデル(SCM)の言語を用いて、複数の環境において因果関係が非周期的かつ不変であると仮定する(例えば、最低賃金が雇用率に与える影響は地域によって異なる)。 さらに、このことはSCM機能機構の識別可能性を示していることを実証する: 概要として、<textit{two} 補助環境は正しい反ファクト的推論を保証するのに十分であることを示す。 合成データに関する理論的結果を実証的に支援する。

関連論文リスト

• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• 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)
• Learning Causally Disentangled Representations via the Principle of Independent Causal Mechanisms [17.074858228123706]
  本稿では、因果関係の観測ラベルによって教師される因果関係の非絡み合い表現を学習するための枠組みを提案する。 この枠組みは, 極めて不整合な因果関係を生じさせ, 介入の堅牢性を向上し, 反事実発生と相容れないことを示す。
  論文  参考訳（メタデータ） (2023-06-02T00:28:48Z)
• 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)
• The Combinatorics of Causality [0.0]
  我々は「入力履歴の空間」の概念を導入し探求する。 最も単純な二項入力の場合、利用可能な「因果完全」空間の数は、2つの事象の7つから3つの事象の2644つに増加し、4つの事象の未知数(おそらく約10億個)になる。 言い換えると、非局所性と文脈性に関する以前の文献では、3つの事象に2644の可利用空間の1つを使用し、決定因果性の研究は19の空間を使用し、部分順序から導かれ、不定因果性の研究は25の合計で6つしか使われなかった。
  論文  参考訳（メタデータ） (2022-06-17T17:42:17Z)
• Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis [7.895866278697778]
  機械学習のアプローチは、一般に独立で同一に分散されたデータ(すなわち、d)の仮定に依存する。 実際、この仮定は環境間の分散シフトによってほとんど常に破られる。 そこで我々は,様々な経験的推定器に適用可能なスコアベースアプローチであるメカニズムシフトスコア(MSS)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T15:39:30Z)
• Causal de Finetti: On the Identification of Invariant Causal Structure in Exchangeable Data [45.389985793060674]
  制約に基づく因果探索法は、条件付き独立試験を利用して、様々な応用において因果関係を推定する。 交換可能なデータには、i.d.$$データよりもリッチな条件付き独立構造が含まれており、よりリッチな構造が因果発見にどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2022-03-29T17:10:39Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• 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)

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。