論文の概要: Epidemiological Causal Graph Identification: Challenges, Identifiability and Algorithms
- arxiv url: http://arxiv.org/abs/2609.20676v1
- Date: Thu, 17 Sep 2026 16:48:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.378618
- Title: Epidemiological Causal Graph Identification: Challenges, Identifiability and Algorithms
- Title（参考訳）: 疫学的因果グラフの同定 : 課題, 識別可能性, アルゴリズム
- Abstract要約: 観測データからの因果発見は統計学と機械学習の基礎である。
本稿では,DAGにおける因果発見について検討する。
順序ノードと指数族ノードの間のエッジ方向が、一般的なパラメータ値に対して分布的に識別可能であることを証明した。
- 参考スコア（独自算出の注目度）: 16.81984430233639
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal discovery from observational data is fundamental to statistics and machine learning, yet determining causal direction without interventions necessitates structural assumptions. Existing identifiability research primarily focuses on continuous variables under additive noise models, often neglecting mixed datasets containing ordinal scales, counts, and continuous measurements. This paper investigates causal discovery in Directed Acyclic Graphs (DAGs) where nodes follow either an ordinal distribution (via an ordered logit model) or a regular one-parameter exponential family distribution. We prove that the edge direction between an ordinal and an exponential family node is distributionally identifiable for generic parameter values. Our findings generalize previous Ordinal-Poisson results to the broader exponential family. Computationally, we introduce a score-based exhaustive search and a masked continuous optimization framework using DAGMA for larger graphs. Numerical results validate the theory, recovering edge orientations within a Markov equivalence class that are unidentifiable under classical structural equation models.
- Abstract（参考訳）: 観測データからの因果発見は統計学や機械学習の基本であるが、介入なしに因果方向を決定することは構造的仮定を必要とする。
既存の識別可能性の研究は、主に追加ノイズモデルの下での連続変数に焦点を当てており、しばしば順序スケール、カウント、連続測定を含む混合データセットを無視している。
本稿では,ノードが順序付きロジットモデル(順序付きロジットモデル)または正規な1パラメータ指数家族分布のいずれかに従うDAG(Directed Acyclic Graphs)の因果発見について検討する。
順序ノードと指数族ノードの間のエッジ方向が、一般的なパラメータ値に対して分布的に識別可能であることを証明した。
以上の結果から,オーディナル・ポアソンの結果はより広範な指数族に一般化された。
本稿では,より大規模なグラフに対してDAGMAを用いたスコアベース徹底探索とマスク付き連続最適化フレームワークを提案する。
数値的な結果は、古典的な構造方程式モデルでは特定できないマルコフ同値クラス内のエッジ配向を復元する理論を検証する。
関連論文リスト
- Ordering-based Causal Discovery via Generalized Score Matching [25.127021127314695]
本稿では,因果発見のためのスコアマッチングフレームワークを拡張する。
我々は,観測された離散データから真の因果順序を正確に推定できることを実証した。
論文 参考訳（メタデータ） (2026-01-22T18:08:31Z) - Discrete Bayesian Sample Inference for Graph Generation [48.418206985863726]
ベイジアンサンプル推論(BSI)に基づく新しいワンショットグラフ生成モデルであるGraphBSIを紹介する。
我々は、BSIを微分方程式(SDE)として記述し、スコア関数の近似により限界分布を保存するSDEのノイズ制御系を導出する。
実験的な評価では、分子および合成グラフ生成における最先端の性能を示し、既存のワンショットグラフ生成モデルより優れていた。
論文 参考訳（メタデータ） (2025-11-04T21:25:51Z) - Parameter identification in linear non-Gaussian causal models under general confounding [8.273471398838533]
このようなモデルが潜伏変数を含む場合の線形係数の同定について検討する。
我々の主な成果は、直接的な因果効果の一般的な識別可能性を決定するのに必要かつ十分であるグラフィカルな基準である。
同定結果に基づいて推定を報告し、フィードバックループを持つモデルへの一般化を探索し、因果グラフの識別可能性に関する新たな結果を提供する。
論文 参考訳（メタデータ） (2024-05-31T14:39:14Z) - Generalized Criterion for Identifiability of Additive Noise Models Using Majorization [7.448620208767376]
本稿では,有向非巡回グラフ(DAG)モデルに対する新しい識別可能性基準を提案する。
この基準が既存の識別可能性基準を拡張し、一般化することを実証する。
本稿では,変数のトポロジ的順序付けを学習するための新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-04-08T02:18:57Z) - Learning Linear Causal Representations from Interventions under General
Nonlinear Mixing [52.66151568785088]
介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。
これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
論文 参考訳（メタデータ） (2023-06-04T02:32:12Z) - 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) - Sequential Learning of the Topological Ordering for the Linear
Non-Gaussian Acyclic Model with Parametric Noise [6.866717993664787]
我々はDAGの因果順序を推定するための新しい逐次的アプローチを開発する。
数千のノードを持つケースに対して,我々の手順がスケーラブルであることを示すための,広範な数値的証拠を提供する。
論文 参考訳（メタデータ） (2022-02-03T18:15:48Z) - BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。
近年の進歩により、観測データからDAGの有効最大点推定が可能となった。
線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
論文 参考訳（メタデータ） (2021-12-06T03:35:21Z) - 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) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。