論文の概要: Identifying Structural Biases from Causal Mechanism Shifts

• arxiv url: http://arxiv.org/abs/2606.18834v1
• Date: Wed, 17 Jun 2026 09:09:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.079364
• Title: Identifying Structural Biases from Causal Mechanism Shifts
• Title（参考訳）: 因果機構シフトによる構造ビアーゼの同定
• Authors: Praharsh Nanavati, Jilles Vreeken, David Kaltenpoth,
• Abstract要約: 因果的メカニズムシフトから隠れた欠点と選択バイアスを特定する方法を示す。 特に、構造バイアスが依存的なメカニズムシフトを引き起こすことを示す。 どのノードがどのようなバイアスを受けるかを知るために、StruBIアルゴリズムを導入する。
• 参考スコア（独自算出の注目度）: 34.67784777106841
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery methods commonly assume that all data is independently and identically distributed (i.i.d.) and that there are no unmeasured variables affecting the system. In practice, these assumptions are often violated, leading to inaccurate inference. In this paper, we study how to identify hidden confounding and selection biases from causal mechanism shifts. In particular, we show that structural biases lead to dependent mechanism shifts. That is, by considering for which variables the mechanisms change given data from different environments, we can tell which variables are unbiased, which are subject to hidden confounding, and which are undergoing selection bias. We formalize this into an empirically testable criterion based on mutual information, and show under which conditions it identifies structural biases. To tell which nodes are subject to what kind of bias, we introduce the StruBI algorithm. Experiments on synthetic and real-world data show that StruBI works well in practice, accurately recovering affected variable sets and types of biases, outperforming the state-of-the-art by a wide margin.
• Abstract（参考訳）: 因果発見法は一般に、全てのデータが独立して同一に分散しており、システムに影響を与える未測定変数は存在しないと仮定する。 実際には、これらの仮定はしばしば違反され、不正確な推論につながる。 本稿では,因果メカニズムシフトから隠れた結束と選択バイアスを同定する方法を検討する。 特に、構造バイアスが依存的なメカニズムシフトを引き起こすことを示す。 すなわち、どの変数が異なる環境から与えられたデータを変更するかを考えると、どの変数がバイアスがなく、どの変数が非バイアスで、どの変数が非バイアスで、どの変数が選択バイアスを受けているかが分かる。 我々はこれを相互情報に基づいて実証的に検証可能な基準に定式化し、構造バイアスを特定する条件を示す。 どのノードがどのようなバイアスを受けるかを知るために、StruBIアルゴリズムを導入する。 人工的および実世界のデータの実験は、StruBIが実際にうまく機能し、影響を受ける変数セットやバイアスのタイプを正確に回復し、最先端の技術を広範囲にわたって上回っていることを示している。

関連論文リスト

• Latent Variable Causal Discovery under Selection Bias [31.127374830119454]
  条件付き独立制約への一般化として、線形ガウスモデルにおける共分散部分行列のランクを利用するランク制約について検討する。 選択は結合分布を著しく複雑にすることができるが、偏りのある共分散行列のランクは因果構造と選択機構の両方について有意義な情報を保持する。 このツールを用いて、古典的な潜在変数モデルである1要素モデルが選択バイアスの下で同定できることを実証する。
  論文  参考訳（メタデータ） (2025-12-12T02:00:01Z)
• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models [48.33685559041322]
  本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。 提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
  論文  参考訳（メタデータ） (2023-06-30T01:48:11Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis [7.895866278697778]
  機械学習のアプローチは、一般に独立で同一に分散されたデータ(すなわち、d)の仮定に依存する。 実際、この仮定は環境間の分散シフトによってほとんど常に破られる。 そこで我々は,様々な経験的推定器に適用可能なスコアベースアプローチであるメカニズムシフトスコア(MSS)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T15:39:30Z)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• Counterfactual Invariance to Spurious Correlations: Why and How to Pass Stress Tests [87.60900567941428]
  素早い相関」とは、アナリストが重要とすべきでないと考える入力データのある側面に対するモデルの依存である。 機械学習では、これらにはノウ・イ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ」という特徴がある。 因果推論ツールを用いたストレステストについて検討した。
  論文  参考訳（メタデータ） (2021-05-31T14:39:38Z)
• Stable Prediction via Leveraging Seed Variable [73.9770220107874]
  従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。 本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。 我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-09T06:56:31Z)

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。