論文の概要: Jigsaw-CRL: Recovering Global Latent Causal Order from Fragmented Multi-Client Interventions
- arxiv url: http://arxiv.org/abs/2608.28991v1
- Date: Sat, 29 Aug 2026 01:55:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.80445
- Title: Jigsaw-CRL: Recovering Global Latent Causal Order from Fragmented Multi-Client Interventions
- Title（参考訳）: Jigsaw-CRL: フラグメンテッドなマルチクライアント干渉からグローバルな遅延因果順序を復元する
- Abstract要約: 因果表現学習は、潜伏因果変数とその構造的関係を高次元観測から回復することを目的としている。
複数のクライアントが同一のグローバル潜在因果系と対話するが、各クライアントは潜在変数のサブセットにのみアクセスして介入する、断片化されたマルチクライアント設定について検討する。
このような断片的な介入からグローバルな因果順序を復元するフレームワークである textbfJigsaw-CRL を提案する。
- 参考スコア（独自算出の注目度）: 6.3850400710838615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal representation learning (CRL) aims to recover latent causal variables and their structural relations from high-dimensional observations. Existing CRL methods typically assume that all environments are defined over the same latent variables, or at least share a common latent representation space. We study a fragmented multi-client setting, where multiple clients interact with the same global latent causal system but each client only accesses and intervenes on a subset of the latent variables. In this regime, marginalizing unused latent variables induces bidirected edges, so a single client no longer admits a node-wise latent causal graph, and the global latent causal order must be recovered by assembling client-specific structural fragments. We propose \textbf{Jigsaw-CRL}, a framework for recovering global latent causal order from such fragmented interventions. Under soft interventions, differences between precision matrices across environments exhibit a low-rank structure governed by latent ancestor relations. This enables recovery, for each client, of a block partition, the corresponding block-level ancestral order, and latent subspaces, and then assembly of these fragments into the global node-level latent causal order. We establish identifiability guarantees, develop practical algorithms, and validate the framework on synthetic data. Our codes are available on https://anonymous.4open.science/r/code-for-Jigsaw-CRL-7B26
- Abstract（参考訳）: 因果表現学習(CRL)は、潜伏因果変数とその構造的関係を高次元観測から回復することを目的としている。
既存のCRL法は、通常、すべての環境が同じ潜在変数上で定義されるか、少なくとも共通の潜在表現空間を共有すると仮定する。
複数のクライアントが同一のグローバル潜在因果系と対話するが、各クライアントは潜在変数のサブセットにのみアクセスして介入する、断片化されたマルチクライアント設定について検討する。
この体制では、未使用の潜伏変数を余剰化することは二方向エッジを誘導するので、単一のクライアントはノードワイドの潜伏因果グラフをもはや認めず、クライアント固有の構造的断片を組み立てることで、グローバル潜伏因果順序を回復しなければならない。
このような断片化された介入からグローバルに潜む因果関係を復元するフレームワークである「textbf{Jigsaw-CRL}」を提案する。
ソフトな介入の下では、環境間の精度行列の違いは、潜伏した祖先関係によって支配される低ランク構造を示す。
これにより、ブロックパーティションの各クライアント、対応するブロックレベルの祖先順、潜在部分空間のリカバリが可能になり、これらのフラグメントをグローバルノードレベルの潜在因果順序に組み立てる。
我々は、識別可能性保証を確立し、実用的なアルゴリズムを開発し、そのフレームワークを合成データ上で検証する。
私たちのコードはhttps://anonymous.4open.science/r/code-for-Jigsaw-CRL-7B26で利用可能です。
関連論文リスト
- FedPA-LoRA: Product-Aligned Framework for Mitigating Aggregation and Initialization Errors in Heterogeneous Federated LoRA [3.3855343208256556]
Low-Rank Adaptation (LoRA)は、大規模な言語モデルの効率的なフェデレートされた微調整を可能にするが、その分解パラメータ化は、局所的な更新の正確な集約と局所的に最適化された要因の連続性の間の緊張を生じさせる。
我々はこれらの制約に共同で対処し、同種クライアントと異種クライアントの両方で確実に収束する製品整合型LoRAフレームワークであるFedPA-LoRAを提案する。
論文 参考訳（メタデータ） (2026-08-15T19:20:31Z) - Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。
14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
論文 参考訳（メタデータ） (2026-07-08T02:50:02Z) - C$^{2}$R: Cross-sample Consistency Regularization Mitigates Feature Splitting and Absorption in Sparse Autoencoders [56.67585330425431]
スパースオートエンコーダ(SAE)は、アクティベーションをスパースで人間の理解可能な機能に分解することで、大きな言語モデルを解釈するために広く使われている。
これらの問題は、サンプル間の一貫性のない潜在的な割り当てに起因している。
我々はC$2$Rを導入し、これは方向的に類似した潜伏剤の共活性化を罰する。
論文 参考訳（メタデータ） (2026-06-29T17:45:31Z) - Identifiable Multimodal Causal Representation Learning under Partial Latent Sharing [4.400865943835067]
因果表現学習は、観測データから有意義な潜伏変数とその対応する因果構造を明らかにする。
CRLにおける識別可能性を証明することは本質的に困難であり、この研究でさらに難しい設定であるマルチモーダリティに対処する。
我々は、潜在部分共有構造を持つマルチモーダル観測データを考察する。各モダリティは、因果潜在変数の特定の部分集合から、非線型混合関数を介して生成される。
さらに、我々の識別可能性の結果は、各モードについて、潜伏変数よりも多く観察されるような不完全なシナリオにも当てはまる。
論文 参考訳（メタデータ） (2026-05-18T21:34:29Z) - Federated Multi-Task Clustering [44.73672172790804]
本稿では,Federated Multi-Task Clustering(FMTC)という新しいフレームワークを提案する。
クライアント側パーソナライズされたクラスタリングモジュールとサーバ側テンソル相関モジュールの2つの主要コンポーネントで構成されている。
乗算器の交互方向法に基づく,効率的なプライバシ保護分散アルゴリズムを導出する。
論文 参考訳（メタデータ） (2025-12-28T12:02:32Z) - From Feature Interaction to Feature Generation: A Generative Paradigm of CTR Prediction Models [81.43473418572567]
CTR(Click-Through Rate)予測は、レコメンデーションシステムにおける中核的なタスクである。
本稿では,埋め込み次元の崩壊と情報冗長性に対処する新しい生成フレームワークを提案する。
SFGは埋没崩壊を緩和し,情報冗長性を低減し,性能向上を図っている。
論文 参考訳（メタデータ） (2025-12-16T03:17:18Z) - Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。
本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。
我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
論文 参考訳（メタデータ） (2025-11-14T03:05:22Z) - CausalVerse: Benchmarking Causal Representation Learning with Configurable High-Fidelity Simulations [14.751682308668391]
因果表現学習は、データ生成プロセスを明らかにし、基礎となる因果変数と関係を特定することを目的としている。
データセットは4つのドメインで24のサブシーンにわたる約2万の画像と300万のビデオフレームで構成されている。
論文 参考訳（メタデータ） (2025-10-15T19:39:22Z) - Horizontal and Vertical Federated Causal Structure Learning via Higher-order Cumulants [26.960249050737588]
単一のクライアントでは、不完全な変数のセットは容易に突発的な因果関係をもたらす。
我々は、水平および垂直の連邦設定における因果構造を学習するための識別理論と方法を提供する。
本アルゴリズムは, 合成データと実世界のデータの両方を用いた実験において, 優れた性能を示す。
論文 参考訳（メタデータ） (2025-07-09T14:25:51Z) - Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。
大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
論文 参考訳（メタデータ） (2024-02-06T12:18:54Z) - Score-based Causal Representation Learning with Interventions [54.735484409244386]
本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。
目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
論文 参考訳（メタデータ） (2023-01-19T18:39:48Z) - Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。
本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。
フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文 参考訳（メタデータ） (2022-10-01T09:04:17Z)
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。