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
• Authors: Adiba Ejaz, Elias Bareinboim,
• 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

• 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)

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。