論文の概要: Partial Identification under Causal Orders by Linear Programming

• arxiv url: http://arxiv.org/abs/2608.24427v1
• Date: Tue, 25 Aug 2026 11:42:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.949645
• Title: Partial Identification under Causal Orders by Linear Programming
• Title（参考訳）: 線形計画法による因果順序の部分同定
• Abstract要約: 反事実探索が関連する変数に対する部分的トポロジカル順序を誘導することを示す。 これにより、任意の反ファクトクエリとネストされた反ファクトクエリのバウンダリングが可能になる。
• 参考スコア（独自算出の注目度）: 46.16293902963101
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-parametric (partial) identification of counterfactual queries typically relies on a fully specified causal graph. Motivated by settings with incomplete domain knowledge, we challenge this requirement by leveraging structural assumptions that are inherently implied by the query itself. We show that any counterfactual inquiry induces a, mostly partial, topological ordering over relevant variables, which, in turn, enables an explicit query parametrisation reducing the identification task to a linear program. This allows bounding arbitrary counterfactual and nested counterfactual queries. Our work can be viewed as a generalisation of the classical bounding framework of Tian and Pearl (2000), originally developed for probabilities of causation. We also prove the \emph{tightness} of our bounds by constructing structural causal models that attain the bounds whilst being compatible with both the observed data and the query-implied order. To assess both the generality and practical utility of the proposed bounding procedure, we revisit several case studies from the literature, demonstrating how the derived bounds can be used to yield informative insights even in the absence of an input causal graph.
• Abstract（参考訳）: 反現実的クエリの非パラメトリックな(部分的な)識別は、典型的には完全に定義された因果グラフに依存する。 不完全なドメイン知識を持つ設定によって動機づけられた私たちは、クエリ自体によって本質的に示唆される構造的仮定を活用することで、この要件に挑戦します。 本稿では, 関係変数に対する部分的, 部分的, トポロジカルな順序付けを導出することにより, 線形プログラムへの識別タスクの削減を明示的なクエリパラメトリクスで実現することを示す。 これにより、任意の反ファクトクエリとネストされた反ファクトクエリのバウンダリングが可能になる。 我々の研究は、もともと因果関係の確率のために開発された Tian and Pearl (2000) の古典的有界フレームワークの一般化と見なすことができる。 また、観測されたデータとクエリに実装された順序の両方と互換性のある構造的因果モデルを構築することで、境界の「emph{tightness}」を証明した。 提案手法の汎用性と実用性を両立させるため,本論文では,入力因果グラフが存在しない場合でも,導出境界を用いて情報的洞察を得る方法について,いくつかのケーススタディを再検討する。

関連論文リスト

• Causality is Key for Interpretability Claims to Generalise [35.833847356014154]
  大規模言語モデル(LLM)の解釈可能性の研究は、モデル行動に関する重要な洞察をもたらした。 繰り返し発生する落とし穴: 一般化しない発見と、証拠を突破する因果解釈。 パールの因果的階層は、解釈可能性の研究が正当化できることを明確にする。
  論文  参考訳（メタデータ） (2026-02-18T18:45:04Z)
• Bounding Probabilities of Causation with Partial Causal Diagrams [10.218927169905607]
  本稿では,部分因果情報を用いた因果関係の確率境界に関する一般的な枠組みを提案する。 最適化プログラミングの定式化において、利用可能な構造情報や統計情報を制約として体系的に組み込む方法を示す。 このアプローチは、因果関係の確率を、因果的知識が不完全だが情報的である現実的な設定に拡張する。
  論文  参考訳（メタデータ） (2026-02-16T06:35:24Z)
• Representation Disentaglement via Regularization by Causal Identification [3.9160947065896803]
  本稿では,不整合表現学習における基礎となるデータ生成過程の仮定を記述するために,因果コライダー構造モデルを提案する。 そこで本研究では,大規模生成モデルの挙動を因果同定によって課される絡み合った制約に整合させるモジュール型正規化エンジンReIを提案する。
  論文  参考訳（メタデータ） (2023-02-28T23:18:54Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• 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)
• 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)

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。