論文の概要: Causal Bayesian Optimization: Foundations, Methods, and Applications

• arxiv url: http://arxiv.org/abs/2609.24112v1
• Date: Mon, 21 Sep 2026 04:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.072643
• Title: Causal Bayesian Optimization: Foundations, Methods, and Applications
• Title（参考訳）: Causal Bayesian Optimization: Foundations, Methods, and Applications
• Abstract要約: 因果ベイズ最適化(Causal Bayesian Optimization, CBO)は、因果推論とベイズ最適化を組み合わせて、サンプル効率の良い介入選択を可能にする。 この調査は、統合されたBOループの観点からCBOの体系的なレビューを提供する。 既存の手法を,グラフとシステム知識の仮定,環境,介入表現,サロゲートアーキテクチャ,決定ルールによって整理する。 我々は,13のデータセット,3つの予算,2つのメトリクスにまたがる7つのCBO手法と非因果的BOベースラインを評価した。
• 参考スコア（独自算出の注目度）: 2.0097867486225742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal Bayesian Optimization (CBO) combines causal inference with Bayesian optimization to enable sample-efficient intervention selection in systems with causal structure. This survey provides a systematic review of CBO through a unified BO-loop perspective, showing how causal assumptions shape intervention search spaces, surrogate models, acquisition functions, and decision policies. We organize existing methods by graph and system-knowledge assumptions, environment, intervention representation, surrogate architecture, and decision rule, and connect CBO to causal bandits, Bayesian experimental design, safe optimization, policy search, and causal abstraction. We also introduce a reproducibility-oriented benchmark spanning hard- and soft-intervention settings, with standardized GAP and a new trajectory-aware Path-Aware GAP (PA-GAP), evaluating seven CBO methods and a non-causal BO baseline across thirteen datasets, three budgets, and two metrics. Results show that no method dominates uniformly: rankings depend on dataset, budget, metric, and how causal information is used, while strong non-causal baselines remain competitive in several settings. Controlled graph-misspecification and omitted-variable stress tests further show that rankings can change substantially when learner-side causal information is perturbed. We conclude by identifying key open challenges, including robustness to causal-assumption violations, scalable unknown-graph optimization, mixed intervention types, realistic cost models, stronger theoretical guarantees, and integration with modern representation learning and causal abstractions.
• Abstract（参考訳）: 因果的ベイズ最適化(Causal Bayesian Optimization, CBO)は、因果的推論とベイズ最適化を組み合わせて、因果構造を持つシステムにおける標本効率の高い介入選択を可能にする。 本調査は、統合されたBOループの観点からCBOを体系的にレビューし、因果的仮定が介入探索空間、代理モデル、獲得関数、決定ポリシーをどのように形成するかを示す。 我々は,CBOを因果的包帯,ベイズ的実験設計,安全な最適化,ポリシー探索,因果的抽象化に結びつけるために,グラフとシステム知識の仮定,環境,介入表現,アーキテクチャのサロゲート,決定規則によって既存の手法を編成する。 また、ハード・ソフト・インターベンション設定にまたがる再現性指向のベンチマークを導入し、標準化されたGAPと新しいトラジェクトリ対応パス・アウェアGAP(PA-GAP)を導入し、13のデータセット、3つの予算、2つのメトリクスにまたがる7つのCBOメソッドと非因果BOベースラインを評価した。 ランク付けはデータセット、予算、メトリクス、因果情報の使用方法に依存するが、強力な非因果ベースラインはいくつかの設定で競争力を維持している。 さらに,学習者側因果情報が摂動した場合のランク付けが著しく変化することを示す。 我々は、因果推定違反に対する堅牢性、スケーラブルな未知グラフ最適化、混合介入タイプ、現実的なコストモデル、強力な理論的保証、近代的な表現学習と因果抽象化との統合など、主要なオープンな課題を特定して結論付ける。

関連論文リスト

• Causal Algorithmic Recourse: Foundations and Methods [57.73269033551628]
  AIシステムの主な特徴は、個人が否定的な決定を覆す方法のレコメンデーションを提供する能力である。 既存のアプローチでは、recourseの結果を固定単位の反事実として扱う。 我々は、事前および事後結果のプロセスとして、会話をモデル化する因果的枠組みを開発する。
  論文  参考訳（メタデータ） (2026-05-12T00:55:19Z)
• Technical Report: Facilitating the Adoption of Causal Inference Methods Through LLM-Empowered Co-Pilot [44.336297829718795]
  CATE-Bは,大規模言語モデル(LLM)をエージェントフレームワーク内で使用して,治療効果推定を通じてユーザを誘導する,オープンソースのコパイロットシステムである。 CATE-B は (i) 因果発見と LLM に基づくエッジオリエンテーションによる構造因果モデルの構築、 (ii) 因果構造とデータセット特性に適合した適切な回帰方法を選択することによるロバストな調整セットの同定を支援する。
  論文  参考訳（メタデータ） (2025-08-14T12:20:51Z)
• An Identifiable Cost-Aware Causal Decision-Making Framework Using Counterfactual Reasoning [18.324601057882386]
  そこで本研究では,最小コスト因果決定(MiCCD)フレームワークを提案する。 混合異常データの存在を識別する反ファクト的推論プロセスに重点を置いている。 MiCCDは、F1スコア、コスト効率、ランキング品質(nDCG@k値)など、従来の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-05-13T08:41:45Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Contextual Causal Bayesian Optimisation [5.655057078073446]
  一般に、介入変数の値を選択する文脈として観察変数のサブセットを利用すると、累積的後悔が減少することを示す。 本稿では,制御変数と文脈変数の組み合わせを効率的に探索する文脈因果ベイズ最適化の一般的な枠組みを提案する。 分析により、文脈BO(CoBO)やCaBO(CaBO)のような確立された手法では、いくつかの場合において最適な結果が得られないことが示されている。
  論文  参考訳（メタデータ） (2023-01-29T10:36:10Z)
• Model-based Causal Bayesian Optimization [78.120734120667]
  モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。 標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
  論文  参考訳（メタデータ） (2022-11-18T14:28:21Z)
• Causal Bayesian Optimization [8.958125394444679]
  本研究では、介入の順序が実行される因果モデルの一部である関心の変数をグローバルに最適化する問題について検討する。 私たちのアプローチは、因果推論、不確実性定量化、シーケンシャルな意思決定といったアイデアを組み合わせています。 因果グラフを理解することで、最適な意思決定戦略を推論する能力が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-05-24T13:20:50Z)

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。