論文の概要: Relational Structural Causal Models

• arxiv url: http://arxiv.org/abs/2606.14892v1
• Date: Fri, 12 Jun 2026 18:54:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.445136
• Title: Relational Structural Causal Models
• Title（参考訳）: リレーショナル構造因果モデル
• Abstract要約: 我々は、関係構造因果モデルを開発し、対象とその関係が変化する設定まで構造因果モデルを拡張した。 シミュレーションされた交通シーンにおいて,非関係性ベースラインよりも高い精度で再現可能なモデルであるリレーショナルニューラル因果モデルを提案する。
• 参考スコア（独自算出の注目度）: 52.818153111470394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An artificial intelligence must have a model of its environment that is causal, supporting reasoning about interventions and counterfactuals, and also combinatorial, supporting generalization to unseen combinations of objects. In this work, we formally study when and how such a model can be learned. We develop relational structural causal models, extending structural causal models (Pearl 2009) to settings where objects and their relations vary. First, we show how answers to not only causal but also observational queries about unseen combinations of objects can not be identified without further assumptions. To enable such identification--including in the presence of unobserved confounding--we define relational causal graphs and derive symbolic identification criteria. Finally, we propose relational neural causal models, a provably correct approach that outperforms non-relational baselines on simulated traffic scenes with varying cars, signals, and pedestrians.
• Abstract（参考訳）: 人工知能は、その環境を因果的にモデル化し、介入や反ファクトの推論を支援し、また組み合わせもサポートし、オブジェクトの見当たらない組み合わせへの一般化を支援する必要がある。 本研究では,そのようなモデルをいつ,どのように学習するかを公式に研究する。 我々は,関係構造因果モデルを開発し,構造因果モデルを拡張した(Pearl 2009)。 まず, 因果関係だけでなく, 対象の未知の組合せに関する観察的質問に対する回答が, さらなる仮定なしでは特定できないことを示す。 関係因果グラフを定義し、記号的識別基準を導出する。 最後に, 車両, 信号機, 歩行者のシミュレートされた交通シーンにおいて, 非リレーショナルベースラインを上回り, 確実に正しいアプローチであるリレーショナルニューラル因果モデルを提案する。

関連論文リスト

• Foundation Models for Partial Causal Identification [17.688650273209085]
  構造因果モデルの空間上での完全サポートにより、標準的事前定義が可能であることを示す。 本稿では,データマップの関数上での学習分布に反事実を限定する問題を解き明かす。
  論文  参考訳（メタデータ） (2026-08-21T08:04:53Z)
• Canonical Representations of Markovian Structural Causal Models: A Framework for Counterfactual Reasoning [0.7106986689736826]
  「偽りの理性は、アリスがアスピリンを飲んだら回復しただろうか?」 本稿では,ある因果グラフモデルに適合する反ファクトを表現するために,構造因果モデルに対する代替手法を提案する。 本稿では,(通常テスト可能な)介入制約から(任意かつ不可能な)カウンターファクト選択を解き放つ正規化手順を提案する。
  論文  参考訳（メタデータ） (2025-07-22T09:13:02Z)
• Algorithmic causal structure emerging through compression [53.52699766206808]
  因果関係,対称性,圧縮の関係について検討する。 我々は、学習と圧縮の既知の関係を因果モデルが識別できないような環境に構築し、一般化する。 我々はアルゴリズム因果関係を因果関係の代替的定義として定義する。
  論文  参考訳（メタデータ） (2025-02-06T16:50:57Z)
• 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)
• Learning Relational Causal Models with Cycles through Relational Acyclification [16.10327013845982]
  本稿では,関係モデルに特化して設計されたテキスト・アサイクリフィケーションを提案する。 リレーショナルアサイクリゼーションと$sigma$-faithfulnessという仮定の下で、リレーショナル因果探索アルゴリズム RCD はサイクリックモデルに対して健全かつ完全であることを示す。
  論文  参考訳（メタデータ） (2022-08-25T17:00:42Z)
• A general framework for cyclic and fine-tuned causal models and their compatibility with space-time [2.0305676256390934]
  因果モデリングは、観測された相関の因果的説明を生成するためのツールである。 既存の量子因果関係の枠組みは、微調整されていない非巡回因果構造に焦点を当てる傾向がある。 サイクル因果モデルはフィードバックを含む物理的プロセスのモデル化に使用することができる。 サイクル因果モデルは一般相対性理論のエキゾチック解にも関係があるかもしれない。
  論文  参考訳（メタデータ） (2021-09-24T18:00:08Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• 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。