論文の概要: Lifted Causal Inference

• arxiv url: http://arxiv.org/abs/2606.28024v1
• Date: Fri, 26 Jun 2026 12:27:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.48324
• Title: Lifted Causal Inference
• Title（参考訳）: Lifted Causal Inference
• Abstract要約: 関係領域における因果効果を効率的に計算するために,昇降法が適用可能であることを示す。 本稿では, パラメータ因果因子グラフ(PCFG)を導入し, 昇降モデルに因果的知識を取り入れた。 また,リフテッド因果推論(LCI)アルゴリズムを用いて,昇降レベルの因果効果を計算する。
• 参考スコア（独自算出の注目度）: 6.039776336113526
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Lifted inference exploits indistinguishabilities in probabilistic graphical models by using a representative for indistinguishable objects, thereby speeding up query answering while maintaining exact answers. In this article, we show how lifting can be applied to efficiently compute causal effects in relational domains. More specifically, we introduce parametric causal factor graphs (PCFGs) to incorporate causal knowledge in lifted models and give a formal semantics of interventions therein. We further present the Lifted Causal Inference (LCI) algorithm to compute causal effects on a lifted level, thereby drastically speeding up causal inference compared to propositional inference, e.g., in causal Bayesian networks. In addition, we present partially directed parametric causal factor graphs (PD-PCFGs) as a generalisation of PCFGs to handle partial causal knowledge and extend LCI to perform lifted causal inference in a PD-PCFG, thereby extending the applicability of lifted causal inference to a broader range of models requiring less prior knowledge about causal relationships.
• Abstract（参考訳）: Lifted Inferenceは、確率的グラフィカルモデルにおける識別不可能性を利用して、識別不能なオブジェクトの表現を用いて、正確な答えを維持しながらクエリ応答を高速化する。 本稿では,リレーショナルドメインの因果効果を効率的に計算するために,リフトの適用方法を示す。 具体的には、パラメトリック因果因子グラフ(PCFG)を導入し、解答モデルに因果的知識を取り入れ、介入の形式的意味論を与える。 さらに,Lfted Causal Inference (LCI)アルゴリズムを用いて,リフテッドレベルの因果効果を計算し,因果推論を因果ベイズネットワークの因果推論と比較して劇的に高速化する。 さらに、部分的な因果的知識を扱うためのPCFGの一般化として、部分的なパラメトリック因果的要因グラフ(PD-PCFG)を提示し、LCIを拡張してPD-PCFGで昇降因果的推論を行い、これにより、昇降因果的推論の適用範囲を、因果関係に関する事前知識の少ないモデルに拡張する。

関連論文リスト

• Causal-Audit: Explicit and Auditable Graph-based Reasoning via Target-Aware Causal Chain Construction [14.96995835279229]
  因果的および介入に基づく質問応答は、大規模言語モデルの進化に不可欠である。 文脈自由な介入に基づく質問応答のための明示的で監査可能な因果推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-22T23:24:18Z)
• CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
  そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。 CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。 回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
  論文  参考訳（メタデータ） (2026-02-23T18:06:15Z)
• Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach [9.175642602891939]
  Causal Assumption-based Argumentation (ABA)は、入力制約と出力グラフの対応性を確保するためにシンボリック推論を使用するフレームワークである。 本稿では,大言語モデル(LLM)をCausal ABAの不完全専門家として活用し,変数名や記述から意味的構造的事前を抽出する方法について検討する。 標準的なベンチマークとセマンティックグラウンドの合成グラフの実験は、最先端の性能を示している。
  論文  参考訳（メタデータ） (2026-02-18T14:15:21Z)
• Estimating Causal Effects in Partially Directed Parametric Causal Factor Graphs [4.647149336191891]
  部分有向グラフにおける因果推論に対して昇降が適用可能であることを示す。 本研究では,部分有向因果係数グラフにおいて,因果推論が昇降レベルでどのように行われるかを示す。
  論文  参考訳（メタデータ） (2024-11-11T14:05:39Z)
• Lifted Causal Inference in Relational Domains [5.170468311431656]
  関係領域における因果効果を効率的に計算するために,昇降法が適用可能であることを示す。 本稿では,昇降レベルの因果効果を計算するために,昇降因果推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-15T10:44:27Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Learning Causally Disentangled Representations via the Principle of Independent Causal Mechanisms [17.074858228123706]
  本稿では、因果関係の観測ラベルによって教師される因果関係の非絡み合い表現を学習するための枠組みを提案する。 この枠組みは, 極めて不整合な因果関係を生じさせ, 介入の堅牢性を向上し, 反事実発生と相容れないことを示す。
  論文  参考訳（メタデータ） (2023-06-02T00:28:48Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Causal Inference Using Tractable Circuits [11.358487655918676]
  従来, 因果関係が不明であったモデルに対しては, 因果関係が不明であった場合の確率論的推論が可能であることを示す。 これは、因果機構を計算的に活用できる新しい手法によって実現されているが、それらのアイデンティティを知る必要はない。 我々のゴールは、これらの新しい結果に因果性指向の露出を提供することであり、それらがよりスケーラブルで多目的な因果推論にどのように貢献するかを推測することである。
  論文  参考訳（メタデータ） (2022-02-07T00:09:39Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis [62.44432226563088]
  因果推論は変数間の因果関係を捉えるプロセスである。 本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。 GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
  論文  参考訳（メタデータ） (2021-04-19T16:13:10Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)

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。