論文の概要: Causal Atlases from Entropic Inference: Bayesian Networks beyond Optimal DAGs

• arxiv url: http://arxiv.org/abs/2606.06440v1
• Date: Thu, 04 Jun 2026 17:41:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.998933
• Title: Causal Atlases from Entropic Inference: Bayesian Networks beyond Optimal DAGs
• Title（参考訳）: エントロピック推論からの因果アトラス:最適DAGを超えたベイズ的ネットワーク
• Authors: Hazhir Aliahmadi, Irina Babayan, Greg van Anders,
• Abstract要約: エントロピーに基づく推論は、基礎となるデータに整合した妥当な因果関係のアトラスを生成する。 提案手法は,DAGの因果的アーティファクトが等価に正確なトポロジと一致しないことを示す。
• 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: Data-driven causal relationship identification is pertinent to advancing understanding of complex systems both within and beyond science. Bayesian networks offer a probabilistic method for modelling generic causal relationships via directed acyclic graphs (DAGs). However, typical techniques for constructing Bayesian networks rely on optimization, which can be ill-suited for learning causal relationships because the underlying data may admit multiple chains of causation. More data-faithful representations of causal relationships would provide frameworks for constructing multiple causal maps that are consistent with the variability that is inherent in underlying data. Here, we show that entropy-based inference generates atlases of plausible causal relationships that are consistent with underlying data. On simulated noisy data of 2- and 20-node linear structural equation models, we sample a maximum-entropy ensemble of graphs that allow us to quantify the inherent structural ambiguity in underlying causal relationships. Our method shows that "optimized" DAGs can contain causal artifacts are not consistent across equivalently accurate topologies.
• Abstract（参考訳）: データ駆動因果関係の識別は、科学内外の複雑なシステムの理解を深めることに関係している。 ベイズネットワークは、有向非巡回グラフ(DAG)を介して、一般的な因果関係をモデル化する確率的手法を提供する。 しかし、ベイズネットワークを構築する典型的な手法は最適化に依存しており、因果関係を学習するのに不適当である。 因果関係のよりデータに忠実な表現は、基礎となるデータに固有の変数と整合した複数の因果写像を構築するためのフレームワークを提供する。 ここでは、エントロピーに基づく推論が、基礎となるデータと整合する可算因果関係のアトラスを生成することを示す。 2-および20-ノード線形構造方程式モデルのシミュレートされたノイズデータについて、基礎となる因果関係における構造的あいまいさを定量化するために、グラフの最大エントロピーアンサンブルをサンプリングする。 提案手法は,DAGの因果的アーティファクトが等価に正確なトポロジと一致しないことを示す。

関連論文リスト

• Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
  本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。 大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
  論文  参考訳（メタデータ） (2026-02-03T10:26:16Z)
• 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)
• Heterophilic Graph Neural Networks Optimization with Causal Message-passing [24.796935814432892]
  グラフニューラルネットワーク(GNN)における異種メッセージパッシングを因果推論を用いて捉える。 異種グラフ学習のための因果的メッセージパス探索ネットワークCausalMPを提案する。
  論文  参考訳（メタデータ） (2024-11-21T03:59:07Z)
• Discovering Mixtures of Structural Causal Models from Time Series Data [23.18511951330646]
  基礎となる因果モデルを推測するために, MCD と呼ばれる一般的な変分推論に基づくフレームワークを提案する。 このアプローチでは、データ可能性のエビデンス-ローバウンドを最大化するエンドツーエンドのトレーニングプロセスを採用しています。 本研究では,本手法が因果発見タスクにおける最先端のベンチマークを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-10T05:13:10Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• 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)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。