論文の概要: Joint Causal Structure and Cluster Discovery Using Variational Inference

• arxiv url: http://arxiv.org/abs/2608.22212v1
• Date: Sun, 23 Aug 2026 04:32:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.651811
• Title: Joint Causal Structure and Cluster Discovery Using Variational Inference
• Title（参考訳）: 変分推論を用いた共同因果構造とクラスター発見
• Abstract要約: 因果発見は、個々の確率変数間の関係を理解することを目的としている。 既存の手法では、相互作用をモデル化する際にそのようなグループやクラスタの知識が明示的に利用できると仮定する。 本稿では,潜伏クラスタと因果構造の両方を同時に推定するために,変分推論に基づく新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 12.348487219726865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery aims to understand the relationships between individual random variables. In many applications, such as brain imaging and climate modeling, it is more meaningful to consider interactions among groups of variables. Existing methods assume that knowledge of such groups or clusters is explicitly available when modeling interactions. However, in practice, these clusters as well as the causal relationships among them, are latent. In this paper, we present a novel approach based on variational inference to simultaneously infer both the latent clusters and causal structures. We learn an approximate posterior over clusters and graph-structure by considering variational distributions based on categorical and Bernoulli models respectively. We derive variational lower bounds and estimation techniques to learn variational and model parameters. The effectiveness of our proposed methods for cluster and causal discovery are demonstrated on both synthetic and real data sets.
• Abstract（参考訳）: 因果発見は、個々の確率変数間の関係を理解することを目的としている。 脳イメージングや気候モデリングといった多くの応用において、変数群間の相互作用を考えることはより意味がある。 既存の方法は、そのようなグループやクラスタの知識が相互作用をモデル化する際に明示的に利用できると仮定する。 しかし、実際には、これらのクラスターとそれらの間の因果関係は潜んでいる。 本稿では,潜伏クラスタと因果構造の両方を同時に推定する,変分推論に基づく新しい手法を提案する。 分類モデルとベルヌーイモデルに基づく変分分布をそれぞれ考慮し,クラスタとグラフ構造を近似的に学習する。 我々は変分下界と推定手法を導出し、変分パラメータとモデルパラメータを学習する。 クラスタと因果探索のための提案手法の有効性を,合成データと実データの両方で実証した。

関連論文リスト

• CASL-VAE: Learning Structured Latent Variables from Unpaired Data for Semi-supervised Clustering and Paired Sample Generation [16.737784124258898]
  基準人口に対する対象人口の変動の定量化は多くの科学的・臨床的問題の中心である。 提案するTextitCASL-VAEは,非ペアデータから構造付き遅延生成因子を学習する,深いコントラスト付き潜在変数モデルである。
  論文  参考訳（メタデータ） (2026-07-09T08:58:44Z)
• Relational Structural Causal Models [52.818153111470394]
  我々は、関係構造因果モデルを開発し、対象とその関係が変化する設定まで構造因果モデルを拡張した。 シミュレーションされた交通シーンにおいて,非関係性ベースラインよりも高い精度で再現可能なモデルであるリレーショナルニューラル因果モデルを提案する。
  論文  参考訳（メタデータ） (2026-06-12T18:54:06Z)
• Group Interventions on Deep Networks for Causal Discovery in Subsystems [9.239779358333182]
  因果発見は、変数間の複雑な関係、予測の強化、意思決定、現実世界のシステムに対する洞察を明らかにする。 我々は、訓練されたディープニューラルネットワークに対するグループレベルの介入を利用する、新しいマルチグループ因果探索法であるgCDMIを紹介する。 提案手法をシミュレーションデータセット上で評価し,既存手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2025-10-27T22:26:20Z)
• How Compositional Generalization and Creativity Improve as Diffusion Models are Trained [82.08869888944324]
  構成規則を学習するために生成モデルに必要なサンプルはいくつあるか? ルールを学習するために、データのどのシグナルが利用されるのか? ここで紹介する階層的クラスタリング機構と物理における再正規化群との関係について論じる。
  論文  参考訳（メタデータ） (2025-02-17T18:06:33Z)
• On the Joint Interaction of Models, Data, and Features [82.60073661644435]
  本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。 これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。 この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
  論文  参考訳（メタデータ） (2023-06-07T21:35:26Z)
• Bayesian Additive Main Effects and Multiplicative Interaction Models using Tensor Regression for Multi-environmental Trials [0.0]
  本稿では,複数の因子が表現型予測に与える影響を考慮したベイズテンソル回帰モデルを提案する。 我々は、モデルのパラメータ間で生じる可能性のある識別可能性の問題を解決するための、事前分布のセットを採用する。 また、線形予測器にどの相互作用が関係するかを識別するスパイク・アンド・スラブ構造も組み込んだ。
  論文  参考訳（メタデータ） (2023-01-09T19:54:50Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• 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)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Modelling Heterogeneity Using Bayesian Structured Sparsity [0.0]
  観察間で異なる変数の効果を推定する方法は、政治科学において重要な問題です。 本稿では,複雑な現象(同様の現象を離散群に展開する観測)を回帰分析に組み込む共通の方法を提案する。
  論文  参考訳（メタデータ） (2021-03-29T19:54:25Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Blocked Clusterwise Regression [0.0]
  我々は、各ユニットが複数の潜伏変数を持つことを可能にすることで、離散的非観測的不均一性に対する以前のアプローチを一般化する。 我々は,クラスタの過剰な数のクラスタリングの理論に寄与し,この設定に対する新たな収束率を導出する。
  論文  参考訳（メタデータ） (2020-01-29T23:29:31Z)

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。