論文の概要: Beyond Additivity: Causal Discovery in Location-Scale Noise Models with Hidden Variables

• arxiv url: http://arxiv.org/abs/2606.08196v1
• Date: Sat, 06 Jun 2026 14:25:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.903291
• Title: Beyond Additivity: Causal Discovery in Location-Scale Noise Models with Hidden Variables
• Title（参考訳）: 付加性を超えて:隠れ変数を持つ位置スケールノイズモデルにおける因果発見
• Authors: Mariyam Khan, Shohei Shimizu, Thong Pham,
• Abstract要約: 観測データからいくつかの変数が隠蔽され、データ生成過程が位置スケールノイズモデル(LSNM)に従う場合の因果発見について検討する。 我々の2段階アルゴリズムであるLSNM-UVは音と完全であり、ヘテロ代用データに対する加算ベースラインよりも優れた性能を示す実験を行った。
• 参考スコア（独自算出の注目度）: 3.039356387089413
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We study causal discovery from observational data when some variables are hidden and the data-generating process follows a location-scale noise model (LSNM). Existing methods that handle hidden confounders typically assume additive noise, but in practice, causes often modulate not just the mean but also the variance of their effects. We prove that acyclic directed mixed graphs (ADMGs) satisfying a bow-free condition are identifiable under LSNM with hidden variables, establishing the first identifiability result for causally insufficient models beyond noise additivity. We further provide sufficient conditions for identifying causal direction even when the bow-free assumption is violated. Our two-stage algorithm, LSNM-UV, is sound and complete, and experiments demonstrate improved performance over additive baselines on heteroscedastic data.
• Abstract（参考訳）: 本研究では,いくつかの変数を隠蔽した観測データから因果探索を行い,データ生成過程は位置スケールノイズモデル (LSNM) に従う。 隠れた共同設立者を扱う既存の方法は、通常、付加的なノイズを仮定するが、実際には、平均だけでなくその効果のばらつきもしばしば変調する。 本研究では,非巡回有向混合グラフ (ADMG) がLSNMの下で隠れ変数で識別可能であることを証明し,ノイズ付加性を超えた因果的に不十分なモデルに対する最初の識別可能性を示す。 また,弓のない仮定に違反した場合でも,因果方向の同定に十分な条件を提供する。 我々の2段階アルゴリズムであるLSNM-UVは音と完全であり、ヘテロ代用データに対する加算ベースラインよりも優れた性能を示す実験を行った。

関連論文リスト

• Noise as a Probe: Membership Inference Attacks on Diffusion Models Leveraging Initial Noise [51.179816451161635]
  拡散モデルは画像生成において顕著な進歩を遂げているが、そのデプロイの増加はプライバシに関する深刻な懸念を引き起こす。 広範に使われているノイズスケジュールは、画像のセマンティック情報を完全に排除することができない。 本稿では,初期雑音に意味情報を注入し,モデル生成結果を解析してメンバーシップを推定する,シンプルで効果的なメンバーシップ推論攻撃を提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:29:01Z)
• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• When Additive Noise Meets Unobserved Mediators: Bivariate Denoising Diffusion for Causal Discovery [2.7472196940369744]
  本稿では,まず,非測定メディエータの存在下で標準ANMアプローチが故障する理由を厳格に評価する。 第二に、隠れ媒介に対する先行解が有限サンプル設定で不安定であり、実用性に制限があることを実証する。 第三に、隠された仲介の下ではうまく機能していると推測する。
  論文  参考訳（メタデータ） (2025-06-29T19:20:41Z)
• 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)
• Causal Discovery with Score Matching on Additive Models with Arbitrary Noise [37.13308785728276]
  因果発見法は、構造識別可能性を保証するために必要な仮定のセットによって本質的に制約される。 本稿では,雑音項のガウス性に反するエッジ反転のリスクを解析し,この仮説の下での推論の欠点を示す。 本稿では,一般的な雑音分布を持つ付加非線形モデルに基づいて生成されたデータから,因果グラフ内の変数の位相的順序付けを推定する新しい手法を提案する。 これは、最小限の仮定と、合成データに基づいて実験的にベンチマークされた技術性能の状態を持つ因果探索アルゴリズムであるNoGAMに繋がる。
  論文  参考訳（メタデータ） (2023-04-06T17:50:46Z)
• Doubly Stochastic Models: Learning with Unbiased Label Noises and Inference Stability [85.1044381834036]
  勾配降下のミニバッチサンプリング設定におけるラベル雑音の暗黙的正則化効果について検討した。 そのような暗黙的正則化器は、パラメータの摂動に対してモデル出力を安定化できる収束点を好んでいる。 我々の研究は、SGDをオルンシュタイン-ウレンベック類似の過程とはみなせず、近似の収束によってより一般的な結果を得る。
  論文  参考訳（メタデータ） (2023-04-01T14:09:07Z)
• Cause-Effect Inference in Location-Scale Noise Models: Maximum Likelihood vs. Independence Testing [19.23479356810746]
  因果発見の根本的な問題は因果推論であり、2つの確率変数間の正しい因果方向を学習する。 最近導入されたヘテロセダスティックな位置スケールノイズ汎関数モデル(LSNM)は、表現力と識別可能性の保証を組み合わせたものである。 雑音分布が正しく特定された場合,LSNMモデル選択が最先端の精度を実現することを示す。
  論文  参考訳（メタデータ） (2023-01-26T20:48:32Z)
• Denoising Deep Generative Models [23.19427801594478]
  様相に基づく深層生成モデルは、多様体仮説の下での病理学的挙動を示すことが示されている。 この問題に対処するための2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-11-30T19:00:00Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)

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。