論文の概要: Score-Based Causal Discovery of Latent Variable Causal Models

• arxiv url: http://arxiv.org/abs/2605.20396v1
• Date: Tue, 19 May 2026 18:44:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.330343
• Title: Score-Based Causal Discovery of Latent Variable Causal Models
• Title（参考訳）: 潜在変数因果モデルのスコアに基づく因果発見
• Authors: Ignavier Ng, Xinshuai Dong, Haoyue Dai, Biwei Huang, Peter Spirtes, Kun Zhang,
• Abstract要約: 適切な定式化されたスコア関数は,潜在変数因果モデルの構造学習において,スコア等価性と一貫性が得られることを示す。 さらに、文献で考慮された複数の構造的仮定の下で、観測された変数に対する限界値の自由度を特徴づける。
• 参考スコア（独自算出の注目度）: 44.676955616247334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying latent variables and the causal structure involving them is essential across various scientific fields. While many existing works fall under the category of constraint-based methods (with e.g. conditional independence or rank deficiency tests), they may face empirical challenges such as testing-order dependency, error propagation, and choosing an appropriate significance level. These issues can potentially be mitigated by properly designed score-based methods, such as Greedy Equivalence Search (GES) (Chickering, 2002) in the specific setting without latent variables. Yet, formulating score-based methods with latent variables is highly challenging. In this work, we develop score-based methods that are capable of identifying causal structures containing causally-related latent variables with identifiability guarantees. Specifically, we show that a properly formulated scoring function can achieve score equivalence and consistency for structure learning of latent variable causal models. We further provide a characterization of the degrees of freedom for the marginal over the observed variables under multiple structural assumptions considered in the literature, and accordingly develop both exact and continuous score-based methods. This offers a unified view of several existing constraint-based methods with different structural assumptions. Experimental results validate the effectiveness of the proposed methods.
• Abstract（参考訳）: 潜伏変数とそれらを含む因果構造を同定することは、様々な科学分野において不可欠である。 多くの既存の研究は制約ベースの手法(例えば条件付き独立テストやランク不足テスト)に分類されるが、テスト順序依存性、エラーの伝播、適切な意味レベルの選択といった経験的な課題に直面している。 これらの問題は、グレディ等価探索(GES: Greedy Equivalence Search) (Chickering, 2002)のように、遅延変数のない特定の設定で適切に設計されたスコアベースの手法によって緩和される可能性がある。 しかし,遅延変数を用いたスコアベース手法の定式化は極めて困難である。 本研究では,因果関係の潜伏変数を含む因果構造を同定し,識別可能性を保証するスコアベース手法を開発した。 具体的には、適切に定式化されたスコア関数は、潜在変数因果モデルの構造学習におけるスコア等価性と一貫性を実現することができることを示す。 さらに、文献で考慮された複数の構造的仮定の下で、観測変数に対する限界値の自由度を推定し、正確なスコアベース法と連続スコアベース法の両方を開発する。 これは、異なる構造的仮定を持ついくつかの既存の制約ベースのメソッドの統一的なビューを提供する。 提案手法の有効性を実験的に検証した。

関連論文リスト

• Identification of Causal Direction under an Arbitrary Number of Latent Confounders [54.76982125821112]
  実世界のシナリオでは、観測された変数は複数の潜伏変数によって同時に影響を受けることがある。 我々は,特定の方法で構築された観測変数の高次累積行列を併用する。 これらの高次累積行列の階数不足特性から,2つの観測変数間の因果非対称性が直接観察可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-26T15:10:00Z)
• Score-based Greedy Search for Structure Identification of Partially Observed Linear Causal Models [34.09555821357439]
  本稿では,有意性保証を伴う潜伏変数を含む構造を識別するための,最初のスコアに基づく欲求探索手法を提案する。 そこで我々は,このモデルに対して,厳密な探索アルゴリズムであるLatent variable Greedy Equivalence Search (LGES) を設計する。
  論文  参考訳（メタデータ） (2025-10-05T21:50:17Z)
• Local Learning for Covariate Selection in Nonparametric Causal Effect Estimation with Latent Variables [17.154150811381907]
  非実験データから因果効果を推定することは、科学の多くの分野における根本的な問題である。 非パラメトリック因果効果推定における共変量選択のための新しい局所学習手法を提案する。 我々は、合成データと実世界のデータの両方に関する広範な実験を通じて、アルゴリズムを検証する。
  論文  参考訳（メタデータ） (2024-11-25T12:08:54Z)
• Score matching through the roof: linear, nonlinear, and latent variables causal discovery [18.46845413928147]
  観測データからの因果発見は、非常に有望である。 既存の手法は根底にある因果構造に関する強い仮定に依存している。 本稿では線形・非線形・潜在変数モデルにおける因果探索に適したフレキシブルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-26T14:09:06Z)
• Learning Discrete Latent Variable Structures with Tensor Rank Conditions [30.292492090200984]
  観測されていない離散データは、多くの科学分野においてユビキタスであり、これらの潜伏変数の因果構造を学習する方法は、データパターンを明らかにするために不可欠である。 ほとんどの研究は線形潜在変数モデルに焦点を当てたり、非線型関係や複素潜在構造を含む離散データにおけるケースに対処できない潜在構造に厳密な制約を課す。 観測変数集合 $mathbfX_p$ に対するテンソル階数条件を探索し、その階数が特定の条件集合の最小サポートによって決定されることを示す。 異なる観測変数のランクを探索することで、潜伏変数を特定できる。
  論文  参考訳（メタデータ） (2024-06-11T07:25:17Z)
• A Versatile Causal Discovery Framework to Allow Causally-Related Hidden Variables [28.51579090194802]
  因果ネットワークの至る所で、因果関係の隠れ変数の存在を許容する因果発見のための新しい枠組みを提案する。 ランクに基づく潜在因果探索アルゴリズム(RLCD)を開発し、隠れ変数を効率よく探索し、その濃度を判定し、測定値と隠れ変数の両方に対して因果構造全体を発見する。 合成・実世界のパーソナリティデータセットを用いた実験結果から,有限サンプルケースにおける提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-12-18T07:57:39Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)

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。