論文の概要: Non-parametric recovery of causal diffusion mechanisms from steady-state observations
- arxiv url: http://arxiv.org/abs/2606.30467v1
- Date: Mon, 29 Jun 2026 15:30:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.314914
- Title: Non-parametric recovery of causal diffusion mechanisms from steady-state observations
- Title（参考訳）: 定常観測による因果拡散機構の非パラメトリック回復
- Abstract要約: 因果メカニズムに従って連続的に進化するスパース多変量系を考える。
この観察パラダイムは、遺伝子発現解析などの応用によって動機付けられている。
我々は、この挑戦的な逆問題に対する非パラメトリックカーネル推定器を導出し、その一貫性を証明した。
- 参考スコア（独自算出の注目度）: 3.093890460224436
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider sparse multivariate stochastic systems that evolve in continuous time according to a causal mechanism and present methodology to recover the system's time-infinitesimal transition mechanism from mere cross-sectional data. This observational paradigm is motivated by applications such as gene expression analysis, where destructive experimental techniques may only allow recording data once over a cell's lifetime. Precisely, we assume the system follows a time-homogeneous diffusion process that has reached an equilibrium distribution at observation time. Further, we assume the causal mechanism is fully described by the diffusion drift, is acyclic, and its causal structure graph is known. In this setting, we prove that the full causal mechanism, i.e., the drift function, can be non-parametrically identified under a weak non-explosion criterion. We derive a non-parametric kernel estimator for this challenging inverse problem and prove its consistency. Moreover, we propose a cross-validation scheme for hyperparameter tuning, illustrate the behavior of our estimator in simulations, and we discuss connections with irreversible generative diffusion models and low-frequency sampled data.
- Abstract（参考訳）: 因果的メカニズムに従って連続的に進化するスパース多変量確率系と,単に断面的データから系の時間-無限小遷移機構を復元する手法を提案する。
この観察パラダイムは、遺伝子発現解析のような応用によって動機付けられており、破壊的な実験技術は、細胞寿命に一度だけデータを記録することができる。
正確には、この系は観測時に平衡分布に達した時間均質拡散過程に従うと仮定する。
さらに、因果構造は拡散ドリフトによって完全に説明され、非環状であり、因果構造グラフが知られていると仮定する。
この設定では、ドリフト関数という完全な因果メカニズムが、弱い非爆発基準の下で非パラメトリックに識別できることが証明される。
我々は、この挑戦的な逆問題に対する非パラメトリックカーネル推定器を導出し、その一貫性を証明した。
さらに,超パラメータチューニングのためのクロスバリデーション手法を提案し,シミュレーションにおける推定器の挙動を解説し,非可逆な生成拡散モデルと低周波サンプルデータとの接続について議論する。
関連論文リスト
- A Continuous-Time Ensemble Kalman-Bucy Smoother for Causal Inference and Model Discovery [6.75658113372928]
本稿では,非線形力学系の連続DAのためのアンサンブルKalman-Bucy smoother (EnKBS)を提案する。
EnKBSのスキルは、様々な重要な科学的問題で実証されている。
論文 参考訳（メタデータ） (2026-04-28T02:58:42Z) - Steering Dynamical Regimes of Diffusion Models by Breaking Detailed Balance [2.336538451986937]
生成拡散過程における詳細なバランスを意図的に破ることによって,定常分布を変化させることなく逆過程を加速できることを示す。
生成拡散モデルで最近同定された相転移の微視的動的状態が,このような可逆的制御によってどのように回復するかを解析した。
論文 参考訳（メタデータ） (2026-02-17T03:05:37Z) - Sample Complexity of Causal Identification with Temporal Heterogeneity [6.5822033630228916]
環境多様性の欠如に対して,時間構造が効果的に置き換えられることを示す。
この研究は、因果構造が特定可能かどうかから、実際に統計的に回復可能かどうかに焦点を移す。
論文 参考訳（メタデータ） (2026-02-06T17:44:00Z) - Latent Causal Diffusions for Single-Cell Perturbation Modeling [83.47931153555321]
測定ノイズ下で観察された定常拡散過程として単細胞遺伝子発現をフレーム化する生成モデルを提案する。
LCDはシングルセルRNAシークエンシングスクリーンにおいて、目に見えない摂動の組み合わせの分布変化を予測するために確立されたアプローチより優れていた。
我々は、摂動応答(CLIPR)を介して因果線形化と呼ばれるアプローチを開発し、全ての遺伝子間の直接的な因果効果を近似する。
論文 参考訳（メタデータ） (2026-01-20T16:15:38Z) - Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。
本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
論文 参考訳（メタデータ） (2024-11-21T10:37:57Z) - Causal Inference from Slowly Varying Nonstationary Processes [2.3072402651280517]
観測データヒンジからの因果推論は、データ生成機構による原因と効果の非対称性に依存する。
本稿では,時間変化フィルタと定常雑音を用いた新しい構造因果モデルを提案し,非定常性から非対称性を利用して因果同定を行う。
論文 参考訳（メタデータ） (2024-05-11T04:15:47Z) - Causal Modeling with Stationary Diffusions [89.94899196106223]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。
古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。
提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文 参考訳（メタデータ） (2023-10-26T14:01:17Z) - Discovering Latent Causal Variables via Mechanism Sparsity: A New
Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。
潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文 参考訳（メタデータ） (2021-07-21T14:22:14Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Causal Inference Using Linear Time-Varying Filters with Additive Noise [18.35147325731821]
制約構造因果モデルフレームワークを用いた因果推論は、データ生成機構による原因と効果の非対称性に大きく依存する。
データの非定常性を利用して対称性を破ることを提案する。
主な理論的結果は,原因と効果が時間変化フィルタを介して接続された場合,因果方向が汎用ケースで同定可能であることを示している。
論文 参考訳（メタデータ） (2020-12-23T23:35:58Z)
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。