論文の概要: Learning Bidirectional Causal Interactions with Heteroscedastic Neural Networks
- arxiv url: http://arxiv.org/abs/2607.22313v1
- Date: Fri, 24 Jul 2026 13:53:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.139026
- Title: Learning Bidirectional Causal Interactions with Heteroscedastic Neural Networks
- Title（参考訳）: Heteroscedastic Neural Networkによる双方向因果関係の学習
- Abstract要約: 本稿では,ヘテロセダスティックなニューラル同時方程式推定器であるSEM-DNNを提案する。
外部機器を使わずに相互構造相互作用を学習する。
シーレアルスキャナーデータへの応用は、同時期の価格-セールフィードバックを研究する方法を示している。
- 参考スコア（独自算出の注目度）: 1.0356094515229846
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Estimating contemporaneous bidirectional interactions from observational data is difficult because each outcome is endogenous to the other, while flexible regressions may capture only reduced-form dependence. This paper proposes SEM-DNN, a heteroscedastic neural simultaneous-equation estimator that learns reciprocal structural interactions without external instruments. Identification exploits conditional covariance diagonalization: when structural shocks have zero conditional means, are conditionally uncorrelated given predetermined covariates, and exhibit nonproportional conditional variances, only the true interaction coefficients diagonalize the conditional residual covariance across the feature space. The method jointly approximates nonlinear structural mean functions and feature-dependent variances using a diagonal Gaussian quasi-likelihood that incorporates the simultaneous-system Jacobian. We establish unique identification and positive-definite local curvature of the profiled population criterion and show that, under neural-profile compatibility conditions, the implemented neural criterion inherits this curvature despite nonunique network parameterizations. The coefficients admit a causal interpretation when the structural equations represent autonomous mechanisms that remain invariant under the relevant interventions. Monte Carlo experiments with nonlinear, high-dimensional nuisance functions and non-Gaussian shocks show that SEM-DNN recovers structural effects more reliably than parametric, kernel-based, and separate-equation neural alternatives as information increases, although at greater computational cost. An application to ready-to-eat cereal scanner data illustrates how the method can study contemporaneous price-sales feedback and assess identification strength, residual diagonalization, variance calibration, and optimization sensitivity.
- Abstract（参考訳）: 観測データから同時双方向の相互作用を推定することは、各結果が互いに内在的であるのに対して、フレキシブル回帰は縮小形式依存のみを捉えているため困難である。
本稿では、外部機器を使わずに相互構造相互作用を学習するヘテロセダスティックなニューラルネットワーク同時方程式推定器であるSEM-DNNを提案する。
構造的ショックが条件付き平均を持たないとき、所定の条件付き共変量に対して条件付き無相関であり、非局所的な条件付き分散を示すとき、真の相互作用係数のみが特徴空間全体にわたって条件付き残留共変を対角化する。
この方法は、同時系ヤコビアンを包含する対角的なガウス準類似度を用いて、非線形構造平均関数と特徴に依存した分散を共同で近似する。
我々は、プロファイルされた個体群基準の独自の同定と正定値局所曲率を確立し、ニューラルな互換性条件下では、非特異なネットワークパラメータ化にもかかわらず、実装されたニューラルな基準がこの曲率を継承することを示す。
係数は、構造方程式が関連する介入の下で不変な自律的なメカニズムを表すときに因果解釈を持つ。
非線形、高次元ニュアンス関数と非ガウス的ショックによるモンテカルロの実験により、SEM-DNNは情報量が増えるにつれてパラメトリック、カーネルベース、分離方程式のニューラルオルタナティブよりも確実に構造効果を回復するが、計算コストは高い。
シーレアルスキャナーデータへの応用は、同種の価格-セールフィードバックを研究し、識別強度、残留対角化、分散キャリブレーション、最適化感度を評価する方法を示している。
関連論文リスト
- Effective Covariance Dynamics in Solvable High-Dimensional GANs [2.639628765667673]
線形生成器がデータから低次元部分空間を学習するGANトレーニングの可解な高次元モデルについて検討する。
顕微鏡トレーニングプロセスが高次元の極限において、この効果的な共分散によって支配される決定論的常微分方程式に収束することを証明する。
論文 参考訳（メタデータ） (2026-06-25T16:33:54Z) - Generalized nonparametric regression in reproducing kernel Hilbert spaces: Consistency and rates of convergence [0.0]
我々は再生空間におけるM-levの包括的理論を開発する。
ソボ空間に対しては、混合滑らか性関数を持つ滑らか性空間に接続する新たなレートを得る。
論文 参考訳（メタデータ） (2026-06-22T08:12:31Z) - Asymptotics of Linear Regression with Linearly Dependent Data [28.005935031887038]
非ガウス共変量の設定における線形回帰の計算について検討する。
本稿では,依存性が推定誤差と正規化パラメータの選択にどのように影響するかを示す。
論文 参考訳（メタデータ） (2024-12-04T20:31:47Z) - Causality Pursuit from Heterogeneous Environments via Neural Adversarial Invariance Learning [12.947265104477237]
データから因果関係を抽出することは、科学的発見、治療介入、伝達学習における根本的な問題である。
本稿では,複数の環境における回帰モデルにおける非パラメトリック不変性と因果学習に対処するアルゴリズムを提案する。
提案したFocused Adrial Invariant Regularizationフレームワークは、逆検定により回帰モデルを予測不変解へ向ける革新的なミニマックス最適化手法を利用する。
論文 参考訳（メタデータ） (2024-05-07T23:37:40Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - Nonlinear Permuted Granger Causality [0.6526824510982799]
グランガー因果推論(Granger causal inference)は、経済学から神経科学まで幅広い分野において用いられる、論争的だが広範な手法である。
サンプル外比較を可能にするために、共変集合の置換を用いて関数接続の尺度を明示的に定義する。
変分法の性能を, シミュレーションによる変分選択, ナイーブ置換, 省略技術と比較した。
論文 参考訳（メタデータ） (2023-08-11T16:44:16Z) - 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) - Learning Correspondence Uncertainty via Differentiable Nonlinear Least
Squares [47.83169780113135]
特徴対応から相対ポーズ推定を行う際の不確実性を考慮した,微分可能な非線形最小二乗フレームワークを提案する。
我々は、KITTIおよびEuRoC実世界のデータセットと同様に、我々の合成に対するアプローチを評価する。
論文 参考訳（メタデータ） (2023-05-16T15:21:09Z) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳（メタデータ） (2022-10-12T06:46:38Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳（メタデータ） (2022-08-29T16:16:22Z) - Discovering Latent Causal Variables via Mechanism Sparsity: A New
Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。
潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文 参考訳（メタデータ） (2021-07-21T14:22:14Z)
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。