論文の概要: Relaxing Faithfulness with Intervention-Only Causal Discovery

• arxiv url: http://arxiv.org/abs/2607.11816v1
• Date: Mon, 13 Jul 2026 17:12:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.563331
• Title: Relaxing Faithfulness with Intervention-Only Causal Discovery
• Title（参考訳）: 介入のみの因果発見による信仰の緩和
• Abstract要約: 因果探索アルゴリズムは、ランダム変数間の因果関係を記述するネットワークを学習する。 最初のステップにおける重要な仮定は忠実さであり、因果関係の変数が統計的依存を示すという要件である。 この経路のキャンセルは忠実性に反し、因果関係を誤って除去する因果発見アルゴリズムが導かれる。
• 参考スコア（独自算出の注目度）: 21.04716901927404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery algorithms learn a network that describes the causal dependencies among random variables. A common workflow involves first utilizing conditional independence properties on observational data to determine partially directed causal relationships, then applying interventions to orient the unknown causal directions. A critical assumption for the first step is faithfulness: a requirement that causally linked variables exhibit statistical dependence. Many natural systems include buffering and stabilizing pathways that cancel out to achieve systemic robustness. This cancellation of pathways violates faithfulness, leading causal discovery algorithms to incorrectly remove causal dependencies. In this paper, we argue that hard interventions contain information about the presence/absence of causal linkage that is overlooked in the first stage of structure discovery. We show that a mild assumption -- called intervention-immediacy faithfulness -- that allows cancellations, is sufficient to nonparametrically identify causal structures with hard interventions. These results position interventions as the primary carriers of information about causal structure, which should take precedence over conditional independence testing. To flip the paradigm, we also specify equivalence classes when the identification criteria are not met due to limitations in the scope of interventions.
• Abstract（参考訳）: 因果探索アルゴリズムは、ランダム変数間の因果関係を記述するネットワークを学習する。 一般的なワークフローは、まず観測データに条件付き独立性を利用し、部分的に指示された因果関係を決定する。 最初のステップにおける重要な仮定は忠実さであり、因果関係の変数が統計的依存を示すという要件である。 多くの自然システムにはバッファリングと安定化経路があり、システムの堅牢性を達成するためにキャンセルされる。 この経路のキャンセルは忠実性に反し、因果関係を誤って除去する因果発見アルゴリズムが導かれる。 本稿では,構造発見の初期段階で見落としている因果連鎖の存在・存在に関する情報をハード介入が含んでいることを論じる。 我々は、キャンセルを可能にする介入即時忠実という軽微な仮定が、ハード介入による因果構造を非パラメトリックに特定するのに十分であることを示した。 これらの結果は、条件付き独立試験よりも優先すべき因果構造に関する情報の主要キャリアとして介入を位置づけている。 このパラダイムを覆すために、介入範囲の制限により識別基準が満たされない場合の同値クラスも規定する。

関連論文リスト

• Causal discovery under mean independence and linearity [0.8049701904919515]
  LiNGAMのような因果発見法は、相互に独立した障害を想定して観測データから因果構造を同定する。 リニア平均独立非循環モデル (LiMIAM) を導入し, 完全な独立性を, 障害に対する一方的な平均独立性制約に置き換える。 我々の証明は構成的であり、依存雑音下での因果発見のための逐次残差に基づくアルゴリズムであるDirectLiMIAMに導かれる。
  論文  参考訳（メタデータ） (2026-05-06T01:16:46Z)
• CausalAffect: Causal Discovery for Facial Affective Understanding [26.904783570786773]
  CausalAffectは、顔への影響分析における因果グラフ発見のための最初のフレームワークである。 私たちのアプローチでは、共同注釈付きデータセットも手作りの因果前処理も必要ありません。 トレーニングされたモデルとソースコードはすべて、受け入れ次第リリースされる。
  論文  参考訳（メタデータ） (2025-11-29T12:07:33Z)
• Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
  因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。 教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。 その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-08-01T09:11:08Z)
• Nonlinearity, Feedback and Uniform Consistency in Causal Structural Learning [0.8158530638728501]
  Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。 この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
  論文  参考訳（メタデータ） (2023-08-15T01:23:42Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
  潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。 本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
  論文  参考訳（メタデータ） (2023-05-09T09:08:39Z)
• Interventional Causal Representation Learning [75.18055152115586]
  因果表現学習は、低レベルの感覚データから高レベルの潜伏因子を抽出しようとする。 介入データは因果表現学習を促進するか? 介入データは、しばしば潜伏因子の支援の幾何学的シグネチャを持つことを示す。
  論文  参考訳（メタデータ） (2022-09-24T04:59:03Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• 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。