論文の概要: Knowledge-Informed Local Causal Discovery of Optimal Adjustment Sets

• arxiv url: http://arxiv.org/abs/2607.04447v1
• Date: Sun, 05 Jul 2026 18:18:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.933818
• Title: Knowledge-Informed Local Causal Discovery of Optimal Adjustment Sets
• Title（参考訳）: 最適調整集合の知識インフォームド局所因果発見
• Abstract要約: 局所因果発見は、グローバルな構造学習に代わるスケーラブルな代替手段である。 本稿では,最適化セットの局所的な発見のための知識インフォームド拡張であるb-LOADを提案する。 実世界の生物学的ネットワークにおける結果は、局所的に対象とする事前知識が最大の利益をもたらすことを示している。
• 参考スコア（独自算出の注目度）: 40.628201358330976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local causal discovery is a scalable alternative to global structure learning. However, it can struggle to identify valid adjustment sets in data-scarce settings because of finite-sample uncertainty, incomplete local neighborhoods, and unresolved Markov equivalence. Although many application domains provide structured background knowledge, its integration into local causal discovery remains limited. We propose b-LOAD, a knowledge-informed extension of the LOAD algorithm for local discovery of optimal adjustment sets. b-LOAD incorporates prior edge constraints directly into the local structure-learning procedure and uses Meek's rules to expand the discovery frontier dynamically, yielding a knowledge-constrained partially directed graph over the relevant local subgraph. This strategy helps prevent structurally relevant nodes introduced by prior knowledge from being excluded by local search. We prove that, under sound background knowledge, the procedure monotonically refines the admissible equivalence class and can enlarge the set of identifiable causal queries, enabling recovery of optimal adjustment sets that are not identifiable from observational conditional-independence information alone. Empirically, b-LOAD improves downstream causal effect estimation relative to purely data-driven and standard knowledge-augmented baselines, particularly in data-scarce and structurally complex regimes. Results on real-world biological networks show that locally targeted prior knowledge provides the largest gains and remains beneficial under moderate structural noise. These findings position b-LOAD as a scalable approach for converting fragmented domain knowledge into more reliable causal-effect estimation.
• Abstract（参考訳）: 局所因果発見は、グローバルな構造学習に代わるスケーラブルな代替手段である。 しかし、有限サンプルの不確実性、不完全局所近傍、未解決マルコフ同値性のため、データスカース設定における有効な調整セットを特定するのに苦労する。 多くのアプリケーションドメインは構造化された背景知識を提供するが、その局所因果発見への統合は依然として限られている。 本稿では,最適化セットの局所的な発見のための知識インフォームド拡張であるb-LOADを提案する。 b-LOADは、事前のエッジ制約を直接局所的な構造学習手順に組み込み、Meekのルールを用いて発見フロンティアを動的に拡張し、関連する局所部分グラフ上の知識制約のある部分有向グラフを生成する。 この戦略は、事前知識によって導入された構造的に関連するノードが局所探索によって排除されるのを防ぐのに役立つ。 提案手法は,音背景知識下では許容値のクラスを単調に洗練し,因果関係の集合を拡大し,観測条件依存情報のみから識別できない最適調整セットの復元を可能にする。 経験的に、b-LOADは、純粋にデータ駆動および標準知識強化ベースライン、特にデータスカースおよび構造的に複雑な体制において、下流因果効果の推定を改善する。 実世界の生物学的ネットワークにおける結果は、局所的に対象とする事前知識が最大の利益をもたらし、中程度の構造的ノイズの下でも有益であることを示している。 これらの知見は、断片化されたドメイン知識をより信頼性の高い因果効果推定に変換するためのスケーラブルなアプローチとしてb-LOADを位置づけている。

関連論文リスト

• Topology-Aware Neighborhood Learning for Source-Free Cross-Scene Hyperspectral Image Classification [11.354716471312239]
  ドメイン適応は、複雑なシナリオにおける識別能力を大幅に向上させる、高度なクロスシーンハイパースペクトル画像分類を持つ。 従来のドメイン適応手法は非現実的になり、現実的なリモートセンシングのシナリオにおいてその実用性を著しく制限する。 ソースデータなしで、堅牢で正確な分類を実現するために、トポロジ対応のソースフリー学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-06T12:40:06Z)
• Local Causal Structure Learning in the Presence of Latent Variables and Selection Bias [37.612552288675616]
  本研究では,潜伏変数と選択バイアスの存在下での局所因果構造学習について検討した。 そこで本研究では,局所因果構造学習アルゴリズムであるLoCaLSを提案する。
  論文  参考訳（メタデータ） (2026-07-22T07:54:02Z)
• 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)
• ADKO: Agentic Decentralized Knowledge Optimization [21.537388090124196]
  Agentic Decentralized Knowledge Optimization (ADKO)は、自律エージェント間の協調的なブラックボックス最適化のためのフレームワークである。 各エージェントは、ローカルデータに基づいて訓練されたプライベートガウスプロセス(GP)を保持し、知識トークンを通してのみ通信する。 トークン圧縮は相互情報に基づく忠実度によって定量化され、LM近似はバイアスとノイズに分解される。
  論文  参考訳（メタデータ） (2026-05-08T15:23:53Z)
• Use What You Know: Causal Foundation Models with Partial Graphs [97.91863420927866]
  最近提案されたCausal Foundation Models (CFMs) は、因果発見と推論を単一ステップで補正することで、より統一的なアプローチを約束している。 我々は、因果グラフやより容易に利用可能な祖先情報などの因果情報に基づいてCFMを条件付ける手法を導入することにより、このギャップを埋める。
  論文  参考訳（メタデータ） (2026-02-16T17:56:37Z)
• On Transportability for Structural Causal Bandits [12.969694382964052]
  構造的因果バンディットフレームワークは、報酬を最大化できないアクションを特定するためのグラフィカルな特徴を提供する。 デプロイ環境での学習を促進するために、ソース環境の事前がどう融合されているかを示す。 得られた帯域幅アルゴリズムは、事前データの情報性に明示的に依存したサブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2025-11-22T07:38:11Z)
• Local Causal Discovery for Statistically Efficient Causal Inference [7.856998585396421]
  因果探索法は,一対の目的変数に対する因果効果推定のための有効な調整セットを同定することができる。 グローバル因果探索法は、因果グラフ全体を学習することに集中し、最適な調整セットの回復を可能にする。 局所因果探索法は、目的変数の局所的な近傍に着目して、よりスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-10-16T11:39:02Z)
• EReLiFM: Evidential Reliability-Aware Residual Flow Meta-Learning for Open-Set Domain Generalization under Noisy Labels [85.78886153628663]
  Open-Set Domain Generalizationは、ディープラーニングモデルが新しいドメインで目に見えないカテゴリを認識できるようにすることを目的としている。 ラベルノイズは、ソースドメインの知識を損なうことによって、オープンセットドメインの一般化を妨げる。 本稿では,ドメインギャップを埋めるために,Evidential Reliability-Aware Residual Flow Meta-Learning (EReLiFM)を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:23:11Z)
• Structural Entropy Guided Agent for Detecting and Repairing Knowledge Deficiencies in LLMs [11.724887822269528]
  大規模言語モデル(LLM)は、膨大な事前学習コーパスを活用することで、前例のない性能を達成した。 彼らの業績は、医学や科学研究のような知識集約的な領域において、依然として最適以下である。 本稿では,LLMの内在的知識不足に対処する構造エントロピー誘導型知識ナビゲータ(SENATOR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-12T02:21:36Z)
• Trust your Good Friends: Source-free Domain Adaptation by Reciprocal Neighborhood Clustering [50.46892302138662]
  我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。 提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。 本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
  論文  参考訳（メタデータ） (2023-09-01T15:31:18Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)

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。