論文の概要: Geometric Causal Models
- arxiv url: http://arxiv.org/abs/2607.05153v1
- Date: Mon, 06 Jul 2026 14:36:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.193614
- Title: Geometric Causal Models
- Title（参考訳）: 幾何学的因果モデル
- Authors: Eli N. Weinstein, David M. Blei,
- Abstract要約: 我々は,データ生成プロセスの基盤となる対称性を利用する依存データから因果推論を行うフレームワークを開発する。
グループ理論で定式化された対称性が因果同定と推定を可能にすることを示す。
- 参考スコア（独自算出の注目度）: 22.00120345064759
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Scientists often seek to draw causal inferences from structured data that is not independently and identically distributed, such as spatial data, network data, or molecular data. We develop geometric causal models (GCMs), a framework for causal inference from dependent data that exploits underlying symmetries of the data generating process. For example, in spatial data, we consider processes that are symmetric under translations, or in graph data, symmetric under permutations of the nodes. We show how symmetries, formalized with group theory, can enable causal identification and estimation. We deploy ergodic theory for amenable groups to establish identification, and combine geometric deep learning with scalable Bayesian inference for estimation. We recover i.i.d. causal models and do-calculus when the data is a sequence and the symmetry is permutation equivariance, and find novel types of causal models when we use alternate structures and symmetries. As an example, we construct a causal model that satisfies the symmetries of DNA. This GCM enables new estimators for the effects of genetic variation, combining deep functional genomics models to describe outcomes and DNA language models to describe propensities. We illustrate on semisynthetic data.
- Abstract（参考訳）: 科学者はしばしば、空間データ、ネットワークデータ、分子データなど、独立で同一に分散されていない構造化データから因果推論を引こうとする。
我々は,データ生成プロセスの基礎となる対称性を利用する従属データから因果推論を行うフレームワークである幾何因果モデル(GCM)を開発する。
例えば、空間データでは、翻訳やグラフデータにおいて、ノードの置換の下で対称なプロセスを考える。
グループ理論で定式化された対称性が因果同定と推定を可能にすることを示す。
我々は、アメニブル群に対するエルゴード理論を展開させ、同定を確立し、幾何学的深層学習とスケーラブルなベイズ推定を組み合わせて推定する。
データがシーケンスであり、対称性が置換同値であるとき、i.d.因果モデルとdo-計算を復元し、代替構造や対称性を使用するとき、新しいタイプの因果モデルを見つける。
一例として、DNAの対称性を満たす因果モデルを構築する。
このGCMは、遺伝子変異の影響を推定する新しい指標を可能にし、深部機能ゲノムモデルを組み合わせて結果とDNA言語モデルを構築し、妥当性を記述する。
半合成データについて説明する。
関連論文リスト
- Learning symmetries in datasets [0.0]
本研究では,データセットに存在する対称性が変分オートエンコーダ(VAE)によって学習された潜時空間の構造に与える影響について検討する。
対称性や近似対称性が存在する場合、VAEはその潜在空間を自己組織化し、潜在変数の少ない数に沿ってデータを効果的に圧縮することを示した。
本結果は,非教師なし生成モデルがデータの構造を明らかにする可能性を強調し,明示的な監督を伴わない対称性発見への新たなアプローチを提供する。
論文 参考訳（メタデータ） (2025-04-07T15:17:41Z) - Bi-invariant Geodesic Regression with Data from the Osteoarthritis Initiative [1.024113475677323]
我々はアフィン接続設定を用いた非計量推定器を開発した。
その計算のために,簡単な微分式を必要とする効率的な固定点アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-02-17T14:20:54Z) - Symmetry Discovery for Different Data Types [52.2614860099811]
等価ニューラルネットワークは、そのアーキテクチャに対称性を取り入れ、より高度な一般化性能を実現する。
本稿では,タスクの入出力マッピングを近似したトレーニングニューラルネットワークによる対称性発見手法であるLieSDを提案する。
我々は,2体問題,慣性行列予測のモーメント,トップクォークタグ付けといった課題におけるLieSDの性能を検証した。
論文 参考訳（メタデータ） (2024-10-13T13:39:39Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Approximation-Generalization Trade-offs under (Approximate) Group Equivariance [6.368871731116769]
対称性によるタスク固有の帰納バイアスの明示的な取り込みは、高性能機械学習モデルの開発における一般的な設計規範として現れている。
本稿では,タスク固有の対称性を捉えるモデルが一般化にどう貢献するかを示す,一般的な定量的境界について述べる。
モデル対称性がデータ対称性と一致しない場合のモデルミス特定に関するより一般的な問題について検討する。
論文 参考訳（メタデータ） (2023-05-27T22:53:37Z) - On the Symmetries of Deep Learning Models and their Internal
Representations [1.418465438044804]
我々は、モデルのファミリーのアーキテクチャから生じる対称性と、そのファミリーの内部データ表現の対称性を結びつけることを目指している。
我々の研究は、ネットワークの対称性が、そのネットワークのデータ表現の対称性に伝播されることを示唆している。
論文 参考訳（メタデータ） (2022-05-27T22:29:08Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳（メタデータ） (2021-06-01T19:19:49Z)
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。