論文の概要: MDL Meets Latent Confounders: LNML-based Causal Discovery

• arxiv url: http://arxiv.org/abs/2607.04133v1
• Date: Sun, 05 Jul 2026 06:19:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.83743
• Title: MDL Meets Latent Confounders: LNML-based Causal Discovery
• Title（参考訳）: MDLがLNMLベースのCausal Discoveryを設立
• Abstract要約: 本稿では,MDLに基づく因果発見フレームワークを提案する。 我々は、潜伏した共同設立者によって引き起こされる依存関係を特定するために、$$-pseudo-collinearityという概念を導入する。 合成および実世界のデータセット実験により,提案手法は有意な因果関係を正確に回復し,潜在的共同創設者を効果的に検出することを示した。
• 参考スコア（独自算出の注目度）: 5.510367725306641
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery with nonlinear mechanisms and latent confounders remains challenging. Existing methods often rely on either linear assumptions or causal sufficiency, limiting their applicability. We propose an MDL-based causal discovery framework that explicitly accounts for latent confounders while allowing flexible nonlinear mechanisms by minimizing the luckiness normalized maximum likelihood (LNML) code-length. The causal relationship between each variable pair is determined by selecting the shortest code-length of the causal model, and we introduce the notion of $Δ$-pseudo-collinearity to identify dependencies induced by latent confounders. Based on these ideas, we develop a greedy algorithm, termed Pseudo-Collinearity Guided Causal Discovery (PCG-CD). Experiments on synthetic and real-world datasets demonstrate that the proposed method accurately recovers directed causal relationships and effectively detects latent confounders.
• Abstract（参考訳）: 非線形メカニズムと潜在的共同設立者による因果発見は依然として困難である。 既存の手法は、しばしば線形仮定または因果補充に頼り、適用可能性を制限する。 我々は,LNML符号長を最小化することにより,柔軟性のある非線形機構を許容しつつ,潜在共同創設者を明示的に説明するMDLベースの因果発見フレームワークを提案する。 各変数ペア間の因果関係は、因果関係モデルの最短符号長を選択して決定されるので、潜伏した共同設立者によって引き起こされる依存関係を特定するために$Δ$-pseudo-collinearityという概念を導入する。 これらのアイデアに基づいて,Pseudo-Collinearity Guided Causal Discovery (PCG-CD) と呼ばれるグリージーなアルゴリズムを開発した。 合成および実世界のデータセット実験により,提案手法は有意な因果関係を正確に回復し,潜在的共同創設者を効果的に検出することを示した。

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)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• Differentiable Causal Discovery For Latent Hierarchical Causal Models [19.373348700715578]
  非線形潜在階層因果モデルの同定可能性に関する新しい理論的結果を示す。 我々は,そのようなモデルの構造を効率的に推定する,新しい微分可能な因果探索アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-29T09:08:20Z)
• Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows [6.954510776782872]
  非線形後因果モデル(PNL)は因果関係をモデル化するための汎用的で適応可能なフレームワークとして際立っている。 CAF-PoNoを導入し、正規化フローアーキテクチャのパワーを活用し、PNLモデルにおいて重要な可逆性制約を強制する。 本手法は,原因-影響同定において重要な役割を担う隠れ雑音を正確に再構成する。
  論文  参考訳（メタデータ） (2024-07-06T07:19:21Z)
• 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)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。