論文の概要: Integrating Background Knowledge for Scalable Causal Discovery

• arxiv url: http://arxiv.org/abs/2607.10456v1
• Date: Sat, 11 Jul 2026 19:40:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.433606
• Title: Integrating Background Knowledge for Scalable Causal Discovery
• Title（参考訳）: スケーラブル因果発見のための背景知識の統合
• Abstract要約: 専門的な背景知識は、因果発見の実践的な応用でしばしば利用できる。 背景知識は、因果的効果の識別可能性や学習された構造の精度の観点から因果的発見に役立つ。
• 参考スコア（独自算出の注目度）: 7.542220697870242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Expert background knowledge is often available in practical applications of causal discovery. Such constraints on the true causal graph can help causal discovery in terms of identifiability of causal effects and accuracy of the learned structure, but also in reducing the space of candidate causal graphs. As causal discovery can become computationally expensive for large number of variables, it is crucial to utilize background knowledge effectively during the causal discovery process. However, most current methods only use background knowledge in a postprocessing step after causal discovery to refine the learned graph. In this work, we develop a framework for utilizing background knowledge during the causal discovery process, focusing especially on scalable causal discovery methods that recover only a subset of the whole graph. We implement our framework for multiple algorithms and empirically show that utilizing background knowledge can both reduce computational requirements and increase the quality of the learned structures.
• Abstract（参考訳）: 専門的な背景知識は、因果発見の実践的な応用でしばしば利用できる。 真の因果グラフ上のそのような制約は、因果効果の識別可能性や学習された構造の精度の観点から因果グラフの空間を減少させるのに役立つ。 因果発見は多数の変数に対して計算コストがかかるため,因果発見過程において背景知識を効果的に活用することが重要である。 しかし、現在のほとんどの手法は、因果発見後の後処理ステップでのみバックグラウンド知識を使用し、学習したグラフを洗練させる。 本研究では,因果探索過程における背景知識を活用するフレームワークを開発し,特にグラフ全体のサブセットのみを復元するスケーラブルな因果探索手法に焦点を当てた。 我々は,複数のアルゴリズムのフレームワークを実装し,背景知識を利用することで,計算要求を減らし,学習構造の品質を向上させることを実証的に示す。

関連論文リスト

• 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)
• Knowledge Graph Enhanced Generative Multi-modal Models for Class-Incremental Learning [51.0864247376786]
  学習過程を通じて進化する知識グラフを構築する知識グラフ強化多モードモデル(KG-GMM)を導入する。 テスト中,生成されたテキスト内の関係を解析し,特定のカテゴリを特定する知識グラフ拡張推論手法を提案する。
  論文  参考訳（メタデータ） (2025-03-24T07:20:43Z)
• Local Causal Discovery with Background Knowledge [9.973364796316503]
  あらゆる種類の因果的背景知識を用いて局所構造を学習する手法を提案する。 次に,先行知識の存在下での局所構造のみに基づく因果関係の同定基準を導入する。
  論文  参考訳（メタデータ） (2024-08-15T02:31:48Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Optimizing Data-driven Causal Discovery Using Knowledge-guided Search [3.7489744097107316]
  本研究では,知識誘導型因果構造探索(KGS)手法を提案する。 人工的およびベンチマーク的実世界のデータセットを用いて、KGSを複数の環境で評価し、また、酸素治療に関する実生活医療アプリケーションで評価した。
  論文  参考訳（メタデータ） (2023-04-11T20:56:33Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• Domain Knowledge in A*-Based Causal Discovery [6.510061176722249]
  因果発見は、観測データから因果関係を発見したい科学者や実践者にとって重要なツールとなっている。 最近の研究は、制約に基づく因果発見にドメイン知識を取り入れている。 我々は、A*に基づく因果発見に複数の種類のドメイン知識を効率的に統合することに注力する。
  論文  参考訳（メタデータ） (2022-08-17T11:56:37Z)
• Information fusion between knowledge and data in Bayesian network structure learning [5.994412766684843]
  本稿では,オープンソースのベイジィス構造学習システムで実装された情報融合手法について述べる。 結果は、限定データとビッグデータの両方で示され、ベイジスで利用可能なBN構造学習アルゴリズムが3つ適用されている。
  論文  参考訳（メタデータ） (2021-01-31T15:45:29Z)
• Incremental Knowledge Based Question Answering [52.041815783025186]
  人間と同じように学習能力を段階的に拡張できるインクリメンタルKBQA学習フレームワークを提案します。 具体的には、破滅的な忘れ問題を克服するために、マージン希釈損失と協調選択方法からなる。 包括的な実験は、進化する知識ベースに取り組む際にその効果と効率を示す。
  論文  参考訳（メタデータ） (2021-01-18T09:03:38Z)
• Learning Contextual Causality from Time-consecutive Images [84.26437953699444]
  因果知識は多くの人工知能システムにとって重要である。 本稿では,視覚信号から文脈因果関係を学習する可能性について検討する。 まず,高品質なデータセットvis-causalを提案し,ビデオから有意義な因果知識を自動的に発見できることを示す実験を行った。
  論文  参考訳（メタデータ） (2020-12-13T20:24:48Z)
• Differentiable Causal Backdoor Discovery [36.68511018339594]
  本稿では,勾配に基づく最適化手法により適切な調整を行うために,楽器と同様の補助変数を利用するアルゴリズムを提案する。 完全な因果グラフの知識を必要とせず、真の因果効果を推定する実用的な選択肢よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-03T11:32:43Z)

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。