論文の概要: SCOUT: Cyclic Causal Discovery Under Soft Interventions with Unknown Targets
- arxiv url: http://arxiv.org/abs/2605.16620v1
- Date: Fri, 15 May 2026 20:41:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:46.807611
- Title: SCOUT: Cyclic Causal Discovery Under Soft Interventions with Unknown Targets
- Title（参考訳）: SCOUT:未知のターゲットとのソフト干渉による周期的な因果発見
- Authors: Alpar Turkoglu, Muralikrishnna G. Sethuraman, Faramarz Fekri,
- Abstract要約: SCOUTは、未知のターゲットを持つソフト介入データから非線形循環因果関係を学習するための新しい因果発見フレームワークである。
SCOUTは、様々な介入やノイズ設定において、因果グラフの回復と未知の目標回復において最先端の手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 10.557563062680282
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning causal relationships between variables from data is a fundamental research area with many applications across disciplines. Most existing causal discovery algorithms rely on the assumptions that (i) the underlying system is acyclic, (ii) the exogenous noise variables are Gaussian, and (iii) the intervention targets for the data-generating experiments are known. While these assumptions simplify the analysis, they are violated in real-life systems. Most existing methods that address these issues either assume the underlying model is linear or are constrained to operate in limited interventional settings. To that end, we propose SCOUT, a novel causal discovery framework for learning nonlinear cyclic causal relationships from soft interventional data with unknown targets. Our approach maximizes the data log-likelihood to recover the graph structure, using two normalizing-flow architectures: contractive residual flows and neural spline flows. Through experiments on synthetic and real-world data, we show that SCOUT outperforms state-of-the-art methods in both causal graph recovery and unknown target recovery across various interventional and noise settings.
- Abstract（参考訳）: データから変数間の因果関係を学習することは、多くの分野にまたがる基礎研究分野である。
既存の因果発見アルゴリズムの多くは、その仮定に依存している。
i) 基礎となるシステムは非循環である。
(ii)外因性雑音変数はガウスであり、
三 データ生成実験の介入対象が知られている。
これらの仮定は解析を単純化するが、現実のシステムでは破られる。
これらの問題に対処する既存のほとんどのメソッドは、基礎となるモデルが線形であると仮定するか、限定的な介入設定で運用することを制約している。
そこで本研究では,未知のターゲットを持つソフト介入データから非線形循環因果関係を学習するための新しい因果発見フレームワークSCOUTを提案する。
提案手法は,2つの正規化フローアーキテクチャ – 縮退残フローとニューラルスプラインフロー – を用いて,グラフ構造を復元するためのデータログ類似度を最大化する。
合成および実世界のデータを用いた実験により、SCOUTは様々な介入およびノイズ設定において因果グラフ回復と未知の目標回復の両方において最先端の手法より優れていることを示す。
関連論文リスト
- RECLAIM: Cyclic Causal Discovery Amid Measurement Noise [11.865642857638527]
本稿では,サイクルと計測ノイズの両方を扱う因果発見フレームワークであるRECLAIMを提案する。
我々は, (i) ガウス加法雑音と (ii) ガウス加法雑音を持つ線形測定システムという2つの測定モデルを考える。
合成データと実世界のタンパク質シグナリングデータセットの実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2026-03-21T00:53:13Z) - Differentiable Cyclic Causal Discovery Under Unmeasured Confounders [11.594415886406553]
DCCD-CONFは、計測されていない共同創設者の存在下での非線形環状因果グラフの微分可能学習のための新しいフレームワークである。
我々は,DCCD-CONFが因果グラフの回復と共同設立者の識別において,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-08-11T20:13:34Z) - Identifying biological perturbation targets through causal differential networks [23.568795598997376]
本稿では,生物学的システムの変更に責任を持つ変数を同定する因果性に着想を得たアプローチを提案する。
まず、観測データと干渉データからノイズの多い因果グラフを推定する。
次に、これらのグラフ間の差分を、追加の統計的特徴とともに、介入された変数の集合にマッピングすることを学ぶ。
論文 参考訳（メタデータ） (2024-10-04T12:48:21Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。
構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
論文 参考訳（メタデータ） (2023-01-04T23:28:18Z) - Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery [49.084423861263524]
本稿では,GIT を短縮した新しいグラディエント型インターベンションターゲティング手法を提案する。
GITは、介入獲得関数の信号を提供するために勾配に基づく因果探索フレームワークの勾配推定器を「信頼」する。
我々はシミュレーションおよび実世界のデータセットで広範な実験を行い、GITが競合するベースラインと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-11-24T17:04:45Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳（メタデータ） (2021-11-15T03:16:56Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z)
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。