Fugu-MT 論文翻訳(概要): Conditional Independence Tests for Constraint-Based Causal Discovery: A Survey

論文の概要: Conditional Independence Tests for Constraint-Based Causal Discovery: A Survey

arxiv url: http://arxiv.org/abs/2608.11156v1
Date: Tue, 11 Aug 2026 17:13:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:46.132892
Title: Conditional Independence Tests for Constraint-Based Causal Discovery: A Survey
Title（参考訳）: 制約に基づく因果発見のための条件付き独立試験:調査
Abstract要約: 条件独立 (CI) テストは制約に基づく因果発見の統計エンジンである。この調査では、高次元および混合型設定における仮定、堅牢性、スケーラビリティを重視したCIテストについてレビューする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Conditional Independence (CI) tests are the statistical engine of constraint-based causal discovery: in algorithms such as PC (Peter-Clark) and FCI (Fast Causal Inference), skeleton pruning and key orientations follow directly from CI decisions. This survey reviews CI testing with emphasis on assumptions, robustness, and scalability in high-dimensional and mixed-type settings common in biomedical domains. The survey organizes widely used CI methods into six families: partial-correlation, contingency-table, regression, nearest-neighbor, kernel, and machine-learning-based. Special emphasis is provided on the robustness layers that address the limitations of these families. For each family, the survey examines when CI decisions reflect the data-generating distribution and when they fail. By this, we link test-level properties, including power decay with conditioning set size and asymmetric type I/II error consequences, to graph-level errors in skeleton recovery and v-structure orientation. The survey also compares adoption across major R and Python libraries and summarizes open challenges, including mixed-type CI testing without discretization, small-sample error control, and strategies for improving scalability of CI-testing.
Abstract（参考訳）: PC(Peter-Clark)やFCI(Fast Causal Inference)といったアルゴリズムでは、スケルトンプルーニングやキーオリエンテーションはCIの判断から直接従う。本調査では、バイオメディカルドメインに共通する高次元および混合型設定における仮定、堅牢性、スケーラビリティを重視したCIテストについてレビューする。この調査では、広く使用されているCIメソッドを、部分相関、並行性テーブル、回帰、最も近い隣人、カーネル、マシンラーニングベースの6つのファミリーにまとめている。これらの家族の限界に対処するロバストネス層に特に重点を置いている。各家族について、CI決定がデータ生成の分布を反映し、いつ失敗したかを調査する。これにより、パワー崩壊と条件セットサイズ、非対称型I/IIエラー結果などのテストレベル特性を、骨格復元におけるグラフレベルの誤差とv構造配向にリンクする。調査ではまた、主要なRとPythonライブラリへの採用を比較し、離散化のない混合型CIテスト、小さなサンプルエラー制御、CIテストのスケーラビリティ向上戦略など、オープンな課題を要約している。

関連論文リスト

CausalArena: Benchmarking Causal Discovery in the Foundation Model Era [47.81267771630766]
CausalArenaは共通のプロトコルの下で因果発見のための統一されたベンチマークである。あるベンチマークシステムにおける強いパフォーマンスは、他のベンチマークシステムに確実に移行しないことを示す。
論文参考訳（メタデータ） (2026-09-10T17:53:15Z)
TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery [47.81267771630766]
因果発見基盤モデル(CDFM)は、データセットを単一前方パスの因果グラフに直接マッピングすることで、この問題を改善しようとしている。本研究では,多彩なグラフ事前学習を訓練したデータ駆動CDFMであるTabCausalを提案する。
論文参考訳（メタデータ） (2026-05-29T11:05:43Z)
Causal Discovery as Dialectical Aggregation: A Quantitative Argumentation Framework [13.587507786613664]
制約に基づく因果発見は有限サンプル系では不安定である。因果発見のための定量化手法(QACD)を提案する。 QACDは、CIの成果を、不可逆的な制約ではなく、格付けされた非実現可能な引数として表現します。
論文参考訳（メタデータ） (2026-04-26T09:47:41Z)
Fast Flow Matching based Conditional Independence Tests for Causal Discovery [19.33167245211968]
制約に基づく因果発見法は、多くの条件独立(CI)テストを必要とする。フローマッチングに基づく条件独立テスト(FMCIT)を提案する。提案試験では,フローマッチングの計算効率を高く評価し,因果発見手順全体を通して1回のみモデルを訓練する必要がある。
論文参考訳（メタデータ） (2026-02-09T06:43:23Z)
CALM: A Causal Analysis Language Model for Tabular Data in Complex Systems with Local Scores, Conditional Independence Tests, and Relation Attributes [15.298086464296235]
観測データからの因果発見は生物学のような科学分野に不可欠である。制約ベースのアプローチやスコアベースのアプローチを含む既存の手法は、重大な制限に直面している。本稿では,表データに特化して設計された新しい因果解析言語CALMを紹介する。
論文参考訳（メタデータ） (2025-10-10T20:19:20Z)
Efficient Ensemble Conditional Independence Test Framework for Causal Discovery [46.328102756312724]
本稿では,汎用およびプラグアンドプレイフレームワークであるEnsemble Conditional Independence Test (E-CIT)を紹介する。 E-CITはデータをサブセットに分割し、与えられたベースCITを各サブセットに独立に適用し、結果として得られるp値を集約する。その結果、E-CITはCITの計算負担と因果発見を著しく低減するだけでなく、競争性能も向上することが示された。
論文参考訳（メタデータ） (2025-09-25T11:31:16Z)
A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
論文参考訳（メタデータ） (2025-06-10T12:41:26Z)
dcFCI: Robust Causal Discovery Under Latent Confounding, Unfaithfulness, and Mixed Data [1.9797215742507548]
本稿では,最初の非パラメトリックスコアを導入し,部分アンセストラルグラフと観測データとの整合性を評価する。次にデータ互換のFast Causal Inference (dcFCI)を提案する。
論文参考訳（メタデータ） (2025-05-10T07:05:19Z)
Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies [49.99600569996907]
観測データに対して仮説化された因果モデルをテストすることは、多くの因果推論タスクにとって重要な前提条件である。モデルは指数関数的に多くの条件付き独立関係(CI)を仮定できるが、これら全てをテストすることは実用的でなく不必要である。隠れ変数を持つ因果グラフのc-LMPを導入し、これらのCIを多時間間隔でリストする遅延アルゴリズムを開発した。
論文参考訳（メタデータ） (2024-09-22T21:05:56Z)
Invariant Causal Prediction with Local Models [52.161513027831646]
観測データから対象変数の因果親を特定するタスクについて検討する。 L-ICP(textbfL$ocalized $textbfI$nvariant $textbfCa$usal $textbfP$rediction)と呼ばれる実用的手法を導入する。
論文参考訳（メタデータ） (2024-01-10T15:34:42Z)
Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
論文参考訳（メタデータ） (2022-01-31T20:58:47Z)

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。