論文の概要: Local Causal Structure Learning in the Presence of Latent Variables and Selection Bias

• arxiv url: http://arxiv.org/abs/2607.19866v1
• Date: Wed, 22 Jul 2026 07:54:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.020911
• Title: Local Causal Structure Learning in the Presence of Latent Variables and Selection Bias
• Title（参考訳）: 潜伏変数と選択バイアスの有無による局所因果構造学習
• Abstract要約: 本研究では,潜伏変数と選択バイアスの存在下での局所因果構造学習について検討した。 そこで本研究では,局所因果構造学習アルゴリズムであるLoCaLSを提案する。
• 参考スコア（独自算出の注目度）: 37.612552288675616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering the direct causes and effects of a target variable from observational data is a fundamental problem in causal discovery, with broad applications in domains such as gene regulatory analysis and biomedical research. Existing causal discovery methods either learn a global causal structure, which incurs substantial computational cost, or assume the absence of latent variables and selection bias, assumptions that are often violated in real-world settings. Motivated by these challenges, we study local causal structure learning in the presence of latent variables and selection bias. Specifically, we first characterize a local region that enables target-specific causal discovery without recovering the entire global structure. We then establish a theoretical bridge between causal information learned from the observed distribution induced on this local region and the corresponding information in the global causal structure. Building on these foundations, we propose LoCaLS, a local causal structure learning algorithm that is sound and complete under standard assumptions and identifies the same direct causes and effects of a target variable as those identifiable by global causal discovery methods, while allowing for latent variables and selection bias. Extensive experiments on random and real-world structures demonstrate that the proposed method consistently achieves higher structural accuracy than existing local methods while requiring substantially less computational effort than state-of-the-art global methods. Furthermore, applications to two real-world gene expression datasets reveal biologically plausible target-specific causal structures, demonstrating its practical applicability in large-scale biological data analysis.
• Abstract（参考訳）: 観測データから対象変数の直接的な原因と影響を明らかにすることは因果発見の根本的な問題であり、遺伝子制御解析や生物医学研究といった分野に広く応用されている。 既存の因果発見法は、かなりの計算コストをもたらすグローバル因果構造を学習するか、潜伏変数や選択バイアスが存在しないと仮定するか、現実の環境でしばしば違反される仮定である。 これらの課題に触発され,潜伏変数の存在下での局所因果構造学習と選択バイアスについて検討した。 具体的には、まず、グローバルな構造全体を回復することなく、ターゲット固有の因果発見を可能にする地域を特徴付ける。 そこで我々は,この局所領域に誘導される観測分布から得られた因果情報と,大域的因果構造における対応する情報との間に理論的橋渡しを行う。 これらの基礎の上に構築されたLoCaLSという局所因果構造学習アルゴリズムは,標準仮定の下で健全かつ完全であり,大域因果発見法で同定可能な変数と同じ直接的な原因と影響を同定し,潜時変数と選択バイアスを許容する。 ランダムな実世界の構造に関する大規模な実験は、提案手法が既存の局所的な手法よりも常に高い構造精度を達成する一方で、最先端のグローバル手法よりも計算労力をかなり少なくすることを示した。 さらに、実世界の2つの遺伝子発現データセットに適用することで、生物学的に妥当な標的特異的因果構造が示され、大規模生物学的データ解析においてその実用性を示す。

関連論文リスト

• CDFM: Towards a General-Purpose Causal Discovery Foundation Model [62.32138962508216]
  因果発見は、観測データから根底にある因果構造を復元する過程である。 ゼロショット構造推論のための統一的汎用フレームワークとしてCausal Discovery Foundation Model (CDFM) を定式化する。 CDFMは従来のアルゴリズムを一貫して上回り、汎用因果発見基盤モデルへのパラダイムシフトを推進している。
  論文  参考訳（メタデータ） (2026-07-13T12:58:28Z)
• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• The Robustness of Differentiable Causal Discovery in Misspecified Scenarios [18.797446049830636]
  因果発見は、変数間の因果関係をターゲットデータから学習することを目的としている。 異なる因果発見法は,構造的ハミング距離と構造的干渉距離の指標の下で堅牢性を示すことを示す。
  論文  参考訳（メタデータ） (2025-10-14T13:33:06Z)
• Can Large Language Models Help Experimental Design for Causal Discovery? [94.66802142727883]
  Large Language Model Guided Intervention Targeting (LeGIT) は、LLMを効果的に組み込んだ堅牢なフレームワークであり、因果発見のための介入のための既存の数値的アプローチを強化する。 LeGITは、既存の方法よりも大幅な改善と堅牢性を示し、人間を超越している。
  論文  参考訳（メタデータ） (2025-03-03T03:43:05Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Local Causal Structure Learning in the Presence of Latent Variables [16.88791886307876]
  本稿では,変数がターゲットの直接的な原因や効果であるかどうかを判定する原理的手法を提案する。 実世界の合成データと実世界のデータによる実験結果から,本手法の有効性と有効性について検証した。
  論文  参考訳（メタデータ） (2024-05-25T13:31:05Z)
• Local Causal Discovery with Linear non-Gaussian Cyclic Models [17.59924947011467]
  線形非ガウスモデルを用いた一般化された局所因果探索法を提案する。 我々の識別可能性は、人工と実世界の両方のデータセットを用いて実証的に検証される。
  論文  参考訳（メタデータ） (2024-03-21T21:27:39Z)
• Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
  我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。 大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• A Versatile Causal Discovery Framework to Allow Causally-Related Hidden Variables [28.51579090194802]
  因果ネットワークの至る所で、因果関係の隠れ変数の存在を許容する因果発見のための新しい枠組みを提案する。 ランクに基づく潜在因果探索アルゴリズム(RLCD)を開発し、隠れ変数を効率よく探索し、その濃度を判定し、測定値と隠れ変数の両方に対して因果構造全体を発見する。 合成・実世界のパーソナリティデータセットを用いた実験結果から,有限サンプルケースにおける提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-12-18T07:57:39Z)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)

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。