論文の概要: Causal Discovery in Structural VAR Models Under Equal Noise Variance

• arxiv url: http://arxiv.org/abs/2605.21846v1
• Date: Thu, 21 May 2026 00:41:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.038453
• Title: Causal Discovery in Structural VAR Models Under Equal Noise Variance
• Title（参考訳）: 等騒音変動下における構造VARモデルの因果発見
• Authors: SeyedSina Seyedi HasanAbadi, Fahimeh Arab, Erfan Nozari, AmirEmad Ghassami,
• Abstract要約: 線形ガウス構造VARモデルにおける等価ノイズ分散仮定に基づく因果発見について検討する。 この設定に合わせた観測等価性の概念を導入する。 対応する同値類は、大域的正のスケールとともに構造方程式の変換によって特徴づけられることを示す。
• 参考スコア（独自算出の注目度）: 3.7348616912887445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery from multivariate time series is challenging when causal effects may occur both across time and within the same sampling interval. This issue is especially important in applications such as neuroscience, where the sampling rate may be coarse relative to the underlying dynamics and contemporaneous effects need not form an acyclic graph. We study causal discovery in linear Gaussian structural VAR models under an equal noise variance assumption, meaning that the structural noise terms have a common variance. Unlike the DAG-based cross-sectional equal noise variance setting, the time-series setting considered here does not generally yield point identification of a unique causal graph. Instead, multiple structural VAR parameterizations can induce the same stationary observed process law. We introduce a notion of observational equivalence tailored to this setting and show that the corresponding equivalence class is characterized by orthogonal transformations of the structural equations together with a global positive scale. This characterization leads to an equivalence-aware model discrepancy, the observational alignment discrepancy, which compares structural models modulo transformations that preserve the observed law. Building on this theory, we propose ENVAR, a sparsity-based procedure that searches over the induced observational equivalence class for a sparse normalized structural representative. We evaluate the proposed methodology on synthetic structural VAR data and on an fMRI dataset.
• Abstract（参考訳）: 多変量時系列からの因果発見は、時間的および同じサンプリング間隔内で因果効果が生じる場合に困難である。 この問題は神経科学のような応用において特に重要であり、サンプリングレートは基礎となる力学や同伴効果に対して粗くなり、非巡回グラフを形成する必要はない。 線形ガウス構造VARモデルにおける因果発見について、同値なノイズ分散仮定の下で検討し、構造ノイズ項が共通分散を持つことを示す。 DAGに基づくクロスセクション同値ノイズ分散設定とは異なり、ここで考慮された時系列設定は、通常、ユニークな因果グラフの点同定を出力しない。 代わりに、複数の構造的VARパラメータ化は、同じ定常観察プロセス法則を誘導することができる。 この設定に合わせた観測等価性の概念を導入し、対応する同値類が、大域的正のスケールとともに構造方程式の直交変換によって特徴づけられることを示す。 この特徴は、観測された法則を保存する構造モデルモジュロ変換を比較する観測アライメントの相違である同値対応モデルの相違につながる。 この理論に基づいて,スパース正規化構造表現のための観測等価クラスを探索する疎度に基づく手法ENVARを提案する。 合成構造VARデータとfMRIデータセットを用いて提案手法の評価を行った。

関連論文リスト

• Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting [1.5939955861266883]
  本稿では,介入主義的,厳密な統計的ベンチマークへのパラダイムシフトを提案する。 我々は,ブラックボックスシーケンスマッチングゲームから正確な分布推定タスクに予測を変換する。 我々は、最先端のゼロショットモデルがコンテキストパロッキング機構と一貫して振る舞うことを発見した。
  論文  参考訳（メタデータ） (2026-03-23T17:14:11Z)
• Causal Discovery for Linear DAGs with Dependent Latent Variables via Higher-order Cumulants [7.808674222118538]
  既存の手法では、相互に独立した潜在的共同創設者を仮定するか、観測変数間の因果関係を持つモデルを適切に扱うことができない。 本稿では,LvLiNGAMにおける因果DAGを同定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T15:15:20Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Causal Discovery by Kernel Deviance Measures with Heterogeneous Transforms [17.368146833023893]
  本稿では,RKHS埋め込みの異種変換に基づく新しいスコア尺度を提案し,因果発見のための条件密度の高次モーメントを抽出する。 各仮説的原因影響方向のスコアを比較して推論を行う。
  論文  参考訳（メタデータ） (2024-01-31T17:28:05Z)
• 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)
• Order-based Structure Learning with Normalizing Flows [7.972479571606131]
  観測データの因果構造を推定することは、グラフサイズと超指数的にスケールする難しい探索問題である。 既存の手法では、連続緩和を用いてこの問題を計算的に取り扱えるようにしているが、しばしばデータ生成過程を加法雑音モデル(ANM)に制限する。 自己回帰正規化フローを用いてこれらの仮定を緩和するフレームワークである,正規化フローを用いた秩序に基づく構造学習(OSLow)を提案する。
  論文  参考訳（メタデータ） (2023-08-14T22:17:33Z)
• Learning Large Causal Structures from Inverse Covariance Matrix via Sparse Matrix Decomposition [2.403264213118039]
  本稿では,逆共分散行列から因果構造を学習することに焦点を当てる。 提案手法は,行列分解モデルの連続的最適化に基づくICIDと呼ばれる。 本研究では,ノイズ分散の知識を前提として,提案した指向性非巡回グラフ(DAG)を効率よく同定することを示す。
  論文  参考訳（メタデータ） (2022-11-25T16:32:56Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• 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)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。