論文の概要: Transferring Information Across Interventions in Causal Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2606.01457v1
• Date: Sun, 31 May 2026 21:32:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.713303
• Title: Transferring Information Across Interventions in Causal Bayesian Optimization
• Title（参考訳）: 因果ベイズ最適化におけるインターベンション間の情報伝達
• Authors: Mohammad Ali Javidian,
• Abstract要約: グラフ結合型因果ベイズ最適化を提案する。 このカーネルは低ランクであり、共有パラメータの数によって制限されていることを示す。 また、非線形および適応的な拡張についても記述する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian optimization is a popular way to optimize expensive systems, where every experiment, simulation, or intervention costs time or money. In its standard form, it treats the variables we control as plain inputs to a black box and cannot tell apart mere correlation from a real cause and effect. Causal Bayesian optimization closes part of this gap by using a known causal graph together with observational data to decide which variables are worth intervening on. Existing methods, however, learn the effect of each possible intervention almost in isolation, even though in a causal system these effects usually share the same underlying mechanisms. We propose graph-coupled causal Bayesian optimization, which ties the different intervention effects together through the uncertainty we have about a small set of shared causal parameters. The result is a causal kernel that lets evidence collected from one intervention improve our estimate of related interventions. For identifiable linear Gaussian causal models, we show that this kernel has low rank, bounded by the number of shared parameters rather than by the size of the intervention menu. This in turn yields an information-gain bound that grows only logarithmically in the optimization horizon, and a regret bound that cleanly separates three sources of error: optimization, causal estimation, and the choice of which intervention sets to consider. We also describe nonlinear and adaptive extensions. Across theory-aligned Gaussian systems, shared-mechanism stress tests, and standard causal optimization benchmarks, the method keeps the benefits of causal Bayesian optimization while transferring information across related interventions, with the clearest gains when direct interventions on the target's parents are unavailable and sparse interventional data must be reused across a large family of candidate interventions.
• Abstract（参考訳）: ベイズ最適化は高価なシステムを最適化する一般的な方法であり、全ての実験、シミュレーション、介入は時間かお金がかかる。 標準形式では、制御する変数をブラックボックスへの平易な入力として扱い、実際の原因と効果からただの相関を区別することはできない。 因果ベイズ最適化(Causal Bayesian optimization)は、既知の因果グラフと観測データを用いて、どの変数が介入に値するかを決定することで、このギャップの一部を閉じる。 しかし、既存の方法では、因果系においてこれらの効果は、通常同じメカニズムを共有するにもかかわらず、可能な限りの介入の効果をほぼ独立に学習する。 本稿では, グラフ結合型因果最適化を提案する。これは, 共有因果パラメータの小さな集合に関する不確実性を通じて, 異なる介入効果を結合するものである。 その結果は因果核であり、ある介入から収集された証拠は、関連する介入の見積もりを改善する。 同定可能な線形ガウス因果モデルに対し、このカーネルは介入メニューのサイズよりも、共有パラメータの数によって制限される低ランクであることが示される。 これにより、最適化の地平線において対数的にしか成長しない情報ゲインバウンダリと、最適化、因果推定、どの介入が考慮すべきかという3つのエラーソースをきれいに分離する後悔のバウンダリが得られる。 また、非線形および適応的な拡張についても記述する。 理論に整合したガウス系システム、共有機械的ストレステスト、標準因果最適化ベンチマーク全体にわたって、この手法は因果ベイズ最適化の利点を保ちつつ、関連する介入間で情報を伝達し、ターゲットの親への直接の介入が不可能で、介入データが少ない場合、最も明確な利益を得る。

関連論文リスト

• Causal Bayesian Optimization with Unknown Graphs [17.871251114630827]
  因果ベイズ最適化 (Causal Bayesian Optimization, CBO) は、目的とする介入を通じて既知の因果関係を利用して結果変数を最適化する手法である。 従来のCBO法では、完全に正確に定義された因果グラフが必要であり、そのようなグラフが未知の現実の多くのシナリオにおいて制限となる。 本稿では,因果グラフの事前知識のないCBOフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-25T11:14:37Z)
• Optimal Kernel Choice for Score Function-based Causal Discovery [92.65034439889872]
  本稿では,データに最も適合する最適なカーネルを自動的に選択する,一般化スコア関数内のカーネル選択手法を提案する。 合成データと実世界のベンチマークの両方で実験を行い,提案手法がカーネル選択法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-14T09:32:20Z)
• Efficient Transfer Learning via Causal Bounds [8.981637739384674]
  我々は、因果側情報がどのようにオンライン学習を加速するかを分析し、データ削減の実験を行う。 我々の分析は、因果側情報がどのようにオンライン学習を加速させるか、およびデータ削減の実験を正確に特徴付ける。
  論文  参考訳（メタデータ） (2023-08-07T13:24:50Z)
• Model-based Causal Bayesian Optimization [78.120734120667]
  モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。 標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
  論文  参考訳（メタデータ） (2022-11-18T14:28:21Z)
• Active Learning for Optimal Intervention Design in Causal Models [11.294389953686945]
  本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。 本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
  論文  参考訳（メタデータ） (2022-09-10T20:40:30Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Causal Bayesian Optimization [8.958125394444679]
  本研究では、介入の順序が実行される因果モデルの一部である関心の変数をグローバルに最適化する問題について検討する。 私たちのアプローチは、因果推論、不確実性定量化、シーケンシャルな意思決定といったアイデアを組み合わせています。 因果グラフを理解することで、最適な意思決定戦略を推論する能力が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-05-24T13:20:50Z)

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。