論文の概要: Discrete Causal Representations from Heterogeneous Domains: A Bayesian Approach with Social Survey Applications

• arxiv url: http://arxiv.org/abs/2606.06288v1
• Date: Thu, 04 Jun 2026 15:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.903359
• Title: Discrete Causal Representations from Heterogeneous Domains: A Bayesian Approach with Social Survey Applications
• Title（参考訳）: 不均質領域からの離散因果表現:社会調査によるベイズ的アプローチ
• Authors: Ankur Garg, Michael Stettler, Aaron Schein, Julius von Kügelgen,
• Abstract要約: 因果表現学習は、観測された低レベルの測定結果をもたらす高レベルの潜在因果概念を推論することを目的としている。 マルチ環境データから因果表現を学習するためのベイズ的手法を提案する。 次に、連続モンテカルロサンプリングに基づく推論スキームを考案し、結果の多重モード後部を近似する。
• 参考スコア（独自算出の注目度）: 9.512981050368653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal representation learning aims to infer the high-level latent causal concepts that give rise to observed low-level measurements. This is particularly relevant for heterogeneous data from different environments or domains since distribution shifts often arise through sparse, localized changes in some of the underlying causal mechanisms, while other parts of the generative process remain unchanged. Whereas identifiability of causal representations has been studied extensively, practical uncertainty-aware methods and real-world use cases remain less explored. In this work, we propose a Bayesian approach to learning causal representations from multi-environment data, focusing on the case of discrete causal concepts and unknown multi-node soft interventions. To this end, we translate causal assumptions and interpretability desiderata into suitable priors and parametric choices within a hierarchical model. We then devise an inference scheme based on sequential Monte Carlo sampling to approximate the resulting multimodal posterior. We showcase our approach through case studies on social survey data, where latent causal concepts correspond to cultural values or political opinions, measurements to survey responses, and environments to different countries or states. Our model infers meaningful high-level concepts and plausible causal relations among them, demonstrating its utility for learning causal representations of complex real-world data.
• Abstract（参考訳）: 因果表現学習は、観測された低レベルの測定結果をもたらす高レベルの潜在因果概念を推論することを目的としている。 これは、様々な環境や領域からの異種データに特に関係している。なぜなら、分布シフトは、しばしば、基礎となる因果機構のいくつかの局所的な変化によって生じるが、生成過程の他の部分は変化しない。 因果表現の識別性は広く研究されているが、実用的不確実性認識法や実世界のユースケースはいまだ研究されていない。 本研究では,複数の環境データから因果表現を学習するためのベイズ的アプローチを提案する。 この目的のために、因果仮定と解釈可能性デシダラタを階層モデル内の適切な事前およびパラメトリック選択に変換する。 次に、連続モンテカルロサンプリングに基づく推論スキームを考案し、結果の多重モード後部を近似する。 本稿では,社会調査データの事例研究を通じて,潜伏する因果概念が文化的価値や政治的意見に対応し,調査対象の回答と,異なる国や国家に対する環境について述べる。 本モデルでは,複雑な実世界のデータの因果表現を学習する上で,意味のある高レベルな概念と,それら間の因果関係を推定する。

関連論文リスト

• Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm [14.980926991441345]
  介入データを含むデータセットは,データ分布に関する現実的な仮定の下で効果的に抽出可能であることを示す。 本稿では,観察的および介入的設定における各変数の限界分布の比較に依拠する,介入忠実性の新たな変種を紹介する。 また、多数の単一変数の介入を含むデータセットから因果順序を推測するアルゴリズムであるIntersortを導入する。
  論文  参考訳（メタデータ） (2024-05-28T16:07:17Z)
• 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)
• Identifying Linearly-Mixed Causal Representations from Multi-Node Interventions [14.586959818386765]
  因果表現学習において、複数の変数を1つの環境内の介入によって対象とすることができる最初の識別可能性結果を提供する。 我々のアプローチは、環境全体にわたる介入のカバレッジと多様性に関する一般的な仮定に基づいている。 理論的貢献に加えて,多ノード干渉データから因果表現を学習するための実用的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-05T16:05:00Z)
• 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)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Invariant Causal Prediction for Block MDPs [106.63346115341862]
  環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。 本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T21:03:01Z)

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。