論文の概要: Causal Reasoning with Bipartite Graphical Causal Models

• arxiv url: http://arxiv.org/abs/2608.19831v1
• Date: Thu, 20 Aug 2026 09:33:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.52289
• Title: Causal Reasoning with Bipartite Graphical Causal Models
• Title（参考訳）: 2部グラフ因果モデルによる因果推論
• Abstract要約: カウサルベイズネットワーク(CBN)と構造因果モデル(SCM)は、グラフィカル因果推論の主要なフレームワークである。 本稿では,変数ノードと方程式ノードを持つ二部グラフを用いて,方程式系の構造を符号化する二部グラフ因果モデル(BGCM)を提案する。
• 参考スコア（独自算出の注目度）: 0.7106986689736826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal Bayesian networks (CBNs) and structural causal models (SCMs) are the dominant frameworks for graphical causal reasoning, but they cannot adequately represent all real-world causal systems. In particular, systems at equilibrium---where feedback mechanisms create cyclic causal dependencies---can exhibit causal semantics that are fundamentally incompatible with these frameworks: different interventions that enforce the same variable value may have different effects, rendering the standard ``perfect intervention'' do($X = x$) ambiguous. We propose bipartite graphical causal models (BGCMs), in which the structure of a system of equations is encoded by a bipartite graph with variable and equation nodes. In this framework, a hard intervention do($f_j : X_v = ξ_v$) specifies which equation is replaced, which variable is targeted, and at what value---resolving the ambiguity of the standard notion. We demonstrate, through a detailed case study of a physical system, that this representation naturally corresponds to distinct real-world interventions. We formulate a Markov property in terms of a new graphical separation criterion (B-separation) that exploits the functional determinism inherent in the equations, and we extend it to settings with non-random inputs. We show how this gives rise to a do-calculus for reasoning about domain invariances. BGCMs strictly generalize CBNs and SCMs while retaining the ability to perform graphical causal reasoning.
• Abstract（参考訳）: カウサルベイズネットワーク(CBN)と構造因果モデル(SCM)はグラフィカル因果推論の主要なフレームワークであるが、実世界の因果系をすべて適切に表現することはできない。 特に、平衡状態にあるシステムでは、フィードバック機構が循環因果依存性を生じさせ、これらのフレームワークと根本的に相容れない因果意味を示す。 本稿では,変数ノードと方程式ノードを持つ二部グラフを用いて,方程式系の構造を符号化する二部グラフ因果モデル(BGCM)を提案する。 このフレームワークでは、ハード介入do($f_j : X_v = s_v$)は、どの方程式が置換されるか、どの変数が対象であるか、どの値が対象であるかを指定し、標準概念の曖昧さを解消する。 我々は、物理的システムの詳細なケーススタディを通して、この表現が自然に、異なる現実世界の介入に対応することを実証する。 我々は、この方程式に固有の関数的決定性を利用する新しいグラフィカル分離基準(B-セパレーション)でマルコフ特性を定式化し、非ランダムな入力を持つ設定に拡張する。 ドメインの不変性について推論するために、どのようにしてdo-calculusが生まれるかを示す。 BGCMは、図形因果推論を行う能力を維持しながら、CBNとSCMを厳密に一般化する。

関連論文リスト

• Topos Causal Models [3.0316063849624477]
  本稿では, Topos causal model (TCMs)を提案する。 本論文の主な目的は、これらの特性が因果推論における多くの応用の中心であることを示すことである。
  論文  参考訳（メタデータ） (2025-08-05T21:50:57Z)
• Factored space models: Towards causality between levels of abstraction [2.9394172750424117]
  因果グラフは幅広いアプリケーションにとって強力なツールです。 決定論的関係が存在する場合、一般にマルコフ条件と忠実条件の両方を満たす因果グラフは存在しない。 因果グラフの代替として因子空間モデルを導入する。
  論文  参考訳（メタデータ） (2024-12-03T17:04:20Z)
• A complete logic for causal consistency [0.0]
  本モデルでは,グラフ上の因果構造を調べるツールとしてグラフ型を導入する。 グラフ型の性質は、ポムセット論理を保守的に拡張する新しい因果論理の因果一貫性の完全性を証明するために使われる。 因果論理がポムセット論理を保守的に拡張するという事実を利用して、ポムセットとBVを分離する文の物理的に意味のある解釈を与える。
  論文  参考訳（メタデータ） (2024-03-14T11:36:53Z)
• Causal Representation Learning from Multiple Distributions: A General Setting [21.73088044465267]
  本稿では,複数の分布からの因果表現学習の一般的,完全に非パラメトリックな設定について述べる。 因果的影響に対する適切な変化条件と、潜伏変数上のグラフの空間的制約の下で、基礎となる有向非巡回グラフのモラル化グラフを復元できることが示される。 場合によっては、ほとんどの潜伏変数はコンポーネントワイド変換まで回収できる。
  論文  参考訳（メタデータ） (2024-02-07T17:51:38Z)
• 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)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• 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)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Conditional independences and causal relations implied by sets of equations [1.847740135967371]
  我々はシモンの因果順序付けアルゴリズムを用いて因果順序付けグラフを構築する。 ある種の特異な可解性仮定の下で方程式に対する完全介入の効果を表現する。 このアプローチが既存の因果モデリングフレームワークの制約を明らかにし,対処する方法について論じる。
  論文  参考訳（メタデータ） (2020-07-14T17:00:28Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。