Fugu-MT 論文翻訳(概要): Information-Directed Sampling for Causal Bandits

論文の概要: Information-Directed Sampling for Causal Bandits

arxiv url: http://arxiv.org/abs/2607.15577v1
Date: Fri, 17 Jul 2026 02:44:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-20 17:56:52.737224
Title: Information-Directed Sampling for Causal Bandits
Title（参考訳）: 因果帯域における情報指向サンプリング
Abstract要約: 因果盗賊は変数間の構造的関係を利用して介入間で情報を共有する。非操作変数を用いた文脈的因果包帯について検討する。我々はトンプソンサンプリングと情報指向サンプリングの因果変異を開発する。
参考スコア（独自算出の注目度）: 27.468717852798235
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Causal bandits exploit structural relationships among variables to share information across interventions and accelerate the identification of high-reward decisions. In many applications, however, some variables cannot be directly manipulated, even though they influence the reward and provide useful information about the underlying causal system. We study contextual causal bandits with non-manipulable variables, where context variables are observed before action selection and additional variables are observed after each intervention. Assuming a known causal graph without latent confounding, we adopt a Bayesian formulation in which the conditional probability tables of the observational distribution constitute the unknown parameter. This representation allows observations collected under one intervention to update reward estimates for other interventions through their shared causal mechanisms. We develop causal variants of Thompson Sampling and Information-Directed Sampling (IDS) for this setting. For Thompson Sampling, we establish an entropy-dependent sublinear Bayesian regret bound. For IDS, we derive an entropy-dependent regret bound that explicitly quantifies the additional error introduced by Monte Carlo approximation of the expected regret and information gain; when these quantities are available exactly, the bound recovers the standard sublinear IDS rate. We further provide high-probability confidence bounds for the Monte Carlo estimates used by the algorithm. Experiments on several synthetic causal bandit tasks show that the proposed methods outperform causal and non-causal baselines by more effectively exploiting information shared across interventions.
Abstract（参考訳）: 因果的盗賊は変数間の構造的関係を利用して介入間で情報を共有し、ハイリワード決定の特定を加速する。しかし、多くのアプリケーションでは、報酬に影響を与え、根底にある因果系に関する有用な情報を提供するにもかかわらず、いくつかの変数を直接操作することはできない。本研究では,動作選択の前に文脈変数が観測され,介入後に追加変数が観測される,非操作変数による文脈因果帯域について検討する。待ち行列のない既知の因果グラフを仮定すると、観測分布の条件付き確率表が未知のパラメータを構成するベイズ的定式化を採用する。この表現は、ある介入の下で収集された観察を、その共有因果メカニズムを通じて他の介入に対する報酬推定を更新することを可能にする。我々は、トンプソンサンプリングと情報指向サンプリング(IDS)の因果変異をこの設定のために開発する。トンプソン・サンプリングにとって、エントロピーに依存した準線型ベイズ的後悔境界を確立する。 IDS については,モンテカルロによる予測された後悔と情報ゲインの付加誤差を明示的に定量するエントロピー依存の後悔境界を導出する。さらに、アルゴリズムが使用するモンテカルロ推定値に対して高確率信頼境界を提供する。提案手法は, 介入間で共有される情報をより効果的に活用することにより, 因果的・非因果的ベースラインよりも優れていることを示す。

関連論文リスト

Causal Variational Deep Embedding: A Family of Interventional Generators for Confounded Images [23.146237151956765]
CauVaDEは多様な介入サンプルを生成し、未確立の参照に対してFIDを改善している。画像データベンチマークの実験では、CauVaDEは様々な介入サンプルを生成し、未確立の参照に対してFIDを改善している。
論文参考訳（メタデータ） (2026-06-19T23:59:14Z)
Bayesian Causal Inference with Gaussian Process Networks [1.7188280334580197]
本稿では,ガウス過程ネットワークモデルにおける仮説的介入の効果のベイズ推定の問題について考察する。本稿では,ネットワーク全体の介入の効果をシミュレートし,下流変数に対する介入の効果を伝播させることにより,GPNに対する因果推論を行う方法について述べる。両フレームワークを既知の因果グラフのケースを超えて拡張し,マルコフ連鎖モンテカルロ法による因果構造の不確実性を取り入れた。
論文参考訳（メタデータ） (2024-02-01T14:39:59Z)
On the Properties and Estimation of Pointwise Mutual Information Profiles [49.877314063833296]
ポイントワイド相互情報プロファイル(ポイントワイド相互情報プロファイル、英: pointwise mutual information profile)は、与えられた確率変数のペアに対するポイントワイド相互情報の分布である。そこで我々は,モンテカルロ法を用いて分布を正確に推定できる新しい分布系 Bend と Mix Models を導入する。
論文参考訳（メタデータ） (2023-10-16T10:02:24Z)
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 using Model Invariance through Knockoff Interventions [8.330791157878137]
DeepARを用いて時系列における非線形相互作用をモデル化する。 Knockoffsベースの介入を使用して、モデルを異なる環境に公開します。反応残差の分布は,非因果予測器の介入によって大きく変化しないことを示す。
論文参考訳（メタデータ） (2022-07-08T14:46:47Z)
Differentiable Causal Discovery Under Latent Interventions [3.867363075280544]
最近の研究は、介入した変数が未知であっても、勾配に基づく手法による介入データを活用することにより因果発見の有望な結果を示している。複数の介入分布と1つの観察分布からサンプリングされた広範囲なデータセットを用いたシナリオを想定するが、どの分布がそれぞれのサンプルに由来するのか、どのように介入がシステムに影響を及ぼすのかはわからない。本稿では、ニューラルネットワークと変分推論に基づいて、無限混合物間の共用因果グラフを学習することで、このシナリオに対処する手法を提案する。
論文参考訳（メタデータ） (2022-03-04T14:21:28Z)
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)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)
The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文参考訳（メタデータ） (2020-12-05T17:30:35Z)
Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文参考訳（メタデータ） (2020-11-04T10:00:27Z)

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。