論文の概要: Latent Confounded Causal Discovery via Lie Bracket Geometry

• arxiv url: http://arxiv.org/abs/2606.19610v1
• Date: Wed, 17 Jun 2026 21:31:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.548978
• Title: Latent Confounded Causal Discovery via Lie Bracket Geometry
• Title（参考訳）: Lie Bracket Geometryによる潜伏型因果発見
• Authors: Sridhar Mahadevan,
• Abstract要約: 本稿では,2つの因果発見アルゴリズムについて述べる。 BRIDGE and Spectral Kan-Do Flow Matching learn intervention field and factors latent curvaturely。 詳細な実験は、両方のアルゴリズムが潜在共同設立者と因果関係のモデルを発見することができることを示している。
• 参考スコア（独自算出の注目度）: 1.3295383263113112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work on Kan-Do-Calculus (KDC) has established that the boundary between passive observation and active intervention in causal inference is a category-theoretic bi-adjunction, with interventions modeled by left Kan extensions and conditioning by right Kan extensions. This paper introduces two causal discovery algorithms under latent confounding, building on the information-geometric and categorical consequences of KDC. In smooth statistical settings, Radon-Nikodym derivatives between observational and interventional measures induce local causal vector fields; failures of these fields to close under Lie brackets become computable Frobenius residuals, which we interpret as witnesses of failed visible integrability and possible latent or unmodeled structure. Our first algorithm, BRIDGE (Bracket Residuals for Interventional Discovery and Geometric Estimation), combines an interventional density or Radon-Nikodym-ratio engine with a geometric screen that proposes a high-recall family of admissible arrows, identifies non-closing visible pairs as latent-obstruction candidates, and passes the reduced family to downstream score-based or differentiable discovery routines. The second algorithmic contribution, Spectral Kan-Do Flow Matching (SKFM), learns amortized intervention fields and factors latent curvature spectrally, exposing the direct Lie-space endpoint toward which BRIDGE points. A detailed set of experiments show that both algorithms are capable of discovering causal models with latent confounders while collapsing the super-exponential space of possible DAGs by many orders of magnitude. This paper introduces a new paradigm in causal discovery, where latent structure is inferred directly from the geometry of intervention-induced flows.
• Abstract（参考訳）: カン・ド・カルキュラス(KDC)に関する最近の研究は、受動的観察と因果推論への能動的介入の境界が、左カン拡張によってモデル化された介入と右カン拡張による条件付けを伴うカテゴリー理論的バイジャンクションであることを確立している。 本稿では,KDCにおける情報幾何学的および分類学的結果に基づく2つの因果探索アルゴリズムを提案する。 スムーズな統計的設定では、観測的尺度と介入的尺度の間のラドン・ニコディム微分は局所因果ベクトル場を誘導し、リーブラケットの下で閉ざされたこれらのフィールドの失敗は計算可能なフロベニウス残基となる。 我々の最初のアルゴリズムBRIDGE(Bracket Residuals for Interventional Discovery and Geometric Estimation)は、干渉密度またはラドン-ニコディム比比のエンジンを幾何学的スクリーンと組み合わせ、高いリコール可能な矢印のファミリーを提案し、非閉鎖可視対を潜在障害物候補として識別し、ダウンストリームのスコアベースまたは微分可能な発見ルーチンに還元されたファミリーを渡す。 第2のアルゴリズム的寄与は、SKFM(Spectral Kan-Do Flow Matching)であり、BRIDGEが指摘するリー空間の直接の終点を露呈し、補正された干渉場と遅延曲率の要素をスペクトル的に学習する。 詳細な実験では、両方のアルゴリズムが、潜在的なDAGの超指数空間を桁違いに崩壊させながら、潜在共同設立者と因果モデルを発見することができることを示した。 本稿では,介入による流れの形状から直接潜伏構造を推定する因果発見の新しいパラダイムを提案する。

関連論文リスト

• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• Scalable Contrastive Causal Discovery under Unknown Soft Interventions [3.165716101116899]
  本稿では,2つの観測と干渉のペア化のためのスケーラブルな因果探索モデルを提案し,その基礎構造と未知のソフト介入について述べる。 合成データの実験では、因果構造回復の改善、保持された因果機構を持つ未知のグラフへの一般化、より大きなグラフへのスケーラビリティが示されている。
  論文  参考訳（メタデータ） (2026-03-03T18:16:16Z)
• Design of Experiment for Discovering Directed Mixed Graph [6.3850400710838615]
  簡単な構造因果モデル(SCM)の因果グラフ構造を正確に同定するための実験設計の問題について検討する。 周期の存在は、観測データだけでグラフスケルトンを復元することは不可能である。 我々は2種類のアルゴリズム、すなわち有界と無有界のアルゴリズムを開発し、隣り合う2方向のエッジを除いてすべての因果エッジを復元できる。
  論文  参考訳（メタデータ） (2025-09-02T02:24:55Z)
• Addressing pitfalls in implicit unobserved confounding synthesis using explicit block hierarchical ancestral sampling [1.7037247867649157]
  現状のプロトコルには、因果モデルの完全な空間からのアンバイアスサンプリングを妨げる2つの異なる問題があることを示す。 本研究では, ブロック階層的な基底真理因果グラフの生成を生かした, 観測不能な共起に対する明示的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2025-03-12T09:38:40Z)
• Linear Causal Representation Learning from Unknown Multi-node Interventions [29.21757873428357]
  十分に多様な介入環境が与えられれば、祖先への識別はソフトな介入だけで可能であることが確立された。 注目すべきは、これらの保証はより制限的な単一ノードの介入において最もよく知られた結果と一致することである。
  論文  参考訳（メタデータ） (2024-06-09T23:56:49Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)

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。