論文の概要: How Does Bayesian Causal Discovery Fail? Characterising Structural Consequences in Linear Gaussian Networks under Latent Confounding

• arxiv url: http://arxiv.org/abs/2607.09449v2
• Date: Thu, 16 Jul 2026 15:06:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 14:53:42.196191
• Title: How Does Bayesian Causal Discovery Fail? Characterising Structural Consequences in Linear Gaussian Networks under Latent Confounding
• Title（参考訳）: ベイジアン因果発見はどのように失敗するか : 潜伏境界下における線形ガウスネットワークの構造的コンシークエンスの特徴
• Abstract要約: この研究は、正確に2つの観察された変数間の付加的な潜在共役に焦点を当てている。 共起変数の周囲の局所構造によって決定される2つの異なる後続故障機構を特徴付ける。 この結果は,複数のグラフ構造上での正確な後続計算によって裏付けられる。
• 参考スコア（独自算出の注目度）: 0.7391823486666543
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Bayesian causal discovery is widely used for its ability to quantify epistemic uncertainty over directed acyclic graphs (DAGs) through posterior inference. However, its behaviour under latent confounding remains poorly understood, as existing work typically notes that confounding breaks identifiability without characterising how the posterior distribution over DAGs responds. In this work, we analyse posterior behaviour under latent confounding in linear Gaussian causal models, focusing on additive latent confounding between exactly two observed variables. We derive a critical correlation threshold above which the score function favours graphs with a spurious edge between the confounded variables, and show that this threshold decreases with sample size -- more data lowers the correlation required for the spurious edge to be favoured. Beyond this threshold, we characterize two distinct posterior failure regimes determined by the local structure around the confounded variables. Our findings are supported by exact posterior computations on multiple graph structures, demonstrating both the predicted failure regimes.
• Abstract（参考訳）: ベイズ因果発見は、後部推論により、指向性非環状グラフ(DAG)上のてんかんの不確かさを定量化する能力に広く用いられている。 既存の研究では、DAG上の後部分布がどう反応するかを特徴づけることなく、後部分布が識別性を損なうのが普通である。 本研究では, 線形ガウス因果モデルにおける潜伏共役下での後方挙動を解析し, 正確に2つの変数間の加法的潜伏共役に着目した。 以上の有意な相関閾値を導出し, スコア関数が導出変数間のスプリアスエッジを持つグラフを優先し, この閾値がサンプルサイズとともに減少することを示し, より多くのデータによりスプリアスエッジが好まれる相関関係を低くする。 このしきい値を超えると、確立された変数の周囲の局所構造によって決定される2つの異なる後続障害機構を特徴づける。 提案手法は,複数のグラフ構造上の正確な後続計算によって支持され,予測された故障状態の両方を実証する。

関連論文リスト

• SVI-DAG: A Structured Variational Inference Approach to Bayesian Causal Discovery [0.0]
  SVI-DAGは因果発見のための構造的変分推論手法である。 DAG上での表現的およびマルチモーダルな後進学習をサポートする。 SVI-DAGを5つの最先端ベイズDAG学習法と比較した。
  論文  参考訳（メタデータ） (2026-08-05T14:56:14Z)
• Discrete Causal Representation Learning [31.812206971607676]
  因果表現学習は、低レベル、絡み合った、ノイズの多い観察から、高レベルの潜伏変数間の因果関係を明らかにすることを目指している。 本稿では,離散潜伏変数間の有向非巡回グラフと,潜伏層と観測層を連結する疎二部グラフをモデル化する生成フレームワークを提案する。 軽度条件下では,両部測定グラフと潜在因果グラフの両方が観測データ分布のみから同定可能であることを示す。
  論文  参考訳（メタデータ） (2026-03-26T04:28:02Z)
• Consistent DAG selection for Bayesian causal discovery under general error distributions [9.971549076128268]
  変数集合の因果構造を学習する問題を考察する。 関連するエラーは独立であり、非ガウス的であることが許される。 真のデータ生成指向非巡回グラフ(DAG)構造を特定するためにベイズ階層モデルを提案する。
  論文  参考訳（メタデータ） (2025-08-01T18:03:28Z)
• A Reverse Causal Framework to Mitigate Spurious Correlations for Debiasing Scene Graph Generation [59.473751744275496]
  シーングラフ生成(SGG)フレームワークは通常、関係の特徴を抽出する検出器と、それらの関係を分類する分類器を備えている。 このような因果連鎖構造は、検出器の入力と最終的な予測の間に急激な相関をもたらす。 本稿では、因果連鎖構造を逆因果構造に再構築し、分類器の入力を共同創設者として扱うことを提案する。
  論文  参考訳（メタデータ） (2025-05-29T13:57:01Z)
• A Meta-Learning Approach to Bayesian Causal Discovery [15.017003416900836]
  ベイズの後部から得られるような因果構造に対する不確実性は、下流のタスクにしばしば必要である。 近年の研究では、メタラーニングを用いて、最大a-posteriori因果グラフを教師あり学習として推定する問題を考察している。 本稿では,後部から因果構造を抽出し,これらの特徴を符号化するベイズメタ学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-12-21T10:52:56Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Towards Causal Representation Learning and Deconfounding from Indefinite Data [17.793702165499298]
  非統計データ(画像、テキストなど)は、従来の因果データとプロパティやメソッドの点で重大な対立に遭遇する。 2つの新しい視点から因果データを再定義し、3つのデータパラダイムを提案する。 非定値データから因果表現を学習するための動的変分推論モデルとして,上記の設計を実装した。
  論文  参考訳（メタデータ） (2023-05-04T08:20:37Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• 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)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)

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。