論文の概要: Learning Causal Normalizing Flows from Incomplete Data via Observed-Data Likelihood

• arxiv url: http://arxiv.org/abs/2609.37664v1
• Date: Tue, 29 Sep 2026 14:22:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.618267
• Title: Learning Causal Normalizing Flows from Incomplete Data via Observed-Data Likelihood
• Title（参考訳）: 観測データ様相による不完全データからの因果正規化フローの学習
• Abstract要約: 因果正規化フロー (Causal Normalizing Flows, CNFs) は、因果構造が与えられた観測データから因果推論を可能にするが、完全な観測データを想定している。 非完全データ上でCNFを直接訓練するMissCNFを導入する。 我々は、MissCNFが真の関節分布を回復する条件を確立し、データセットのレコードが完了していない場合でも、識別が可能となるEmphcausal- family positivityを導入する。
• 参考スコア（独自算出の注目度）: 2.6625240316333247
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal Normalizing Flows (CNFs) enable causal inference from observational data given the causal structure, but they assume fully observed training data. We introduce MissCNF, which trains CNFs directly on incomplete data by maximizing the marginal likelihood of each partially observed sample, without discarding rows or constructing a completed dataset. Thanks to the causal structure encoded in the autoregressive factorization of CNFs, only missing variables in the ancestral closure of the observed set are integrated out, while the others are dropped without computation. We further establish the conditions under which MissCNF recovers the true joint distribution, and introduce \emph{causal-family positivity}, where identification is possible even when no record in the dataset is ever complete. We compare MissCNF with two common strategies for handling missing data: listwise deletion and impute-then-fit pipelines. Across eight synthetic causal benchmarks, three missingness mechanisms, and missing rates up to $90\%$, MissCNF achieves the lowest KL divergence in 23 of 24 nonlinear MCAR and MAR settings and in all nonlinear MNAR settings, as well as the lowest counterfactual error in 20 of 24 settings. On linear SCMs, where linear imputation performs best, MissCNF ranks in the top two in 22 of 24 settings.
• Abstract（参考訳）: 因果正規化フロー (Causal Normalizing Flows, CNFs) は、因果構造が与えられた観測データから因果推論を可能にするが、完全に観察された訓練データを仮定する。 非完全データ上でCNFを直接訓練するMissCNFを導入する。 CNFの自己回帰因数分解に符号化された因果構造により、観測された集合の祖先閉鎖における欠落変数のみを積分し、その他を計算せずに解法する。 さらに、MissCNFが真の関節分布を回復する条件を確立し、データセットに記録が未完成であっても識別が可能な「emph{causal- Family positivity}」を導入する。 私たちはMissCNFと、欠落したデータを扱う2つの一般的な戦略、リストワイズ削除とインプット適合パイプラインを比較します。 8つの総合因果ベンチマーク、3つの欠落メカニズム、最大90\%の損失率で、MissCNFは24の非線形MCARとMAR設定のうち23の非線形MCARとMAR設定と全ての非線形MNAR設定において最低のKL分岐を達成する。 線形計算が最適である線形SCMでは、MissCNFは24設定中22の上位2にランクインする。

関連論文リスト

• Feasible Flow Matching for Graph Reconstruction via Within-Sampling Primal-Dual Guidance [38.82845857630961]
  本稿では,各軌道に沿って進化するラグランジュ乗算器でサンプルを増強する制約付きプリマル・デュアルPIFMを提案する。 乗算器は予測されたエンドポイントにおける制約違反に応答し、再トレーニングせずにその後のサンプリングステップをガイドする。 3つのリンク予測ベンチマークと9つのデータセットと制約の組み合わせで、CDD-PIFMは11～26ポイントの実現可能性を高める。
  論文  参考訳（メタデータ） (2026-09-26T22:25:33Z)
• Silent Failures in Quantized LLM Reasoning: A Taxonomy-Based Analysis of Hollow Convergence and Failure Mode Shifts [0.0]
  学習後の量子化は,タスク精度が保存されている場合でも,大きな言語モデルがどのように推論するかを静かに変更できることを示す。 3つの量子化精度で5つの命令調整LDMから3万のチェーン・オブ・シント出力を分類する。 精度は精度で高いが,Hollow Convergence は NF4 で大きく依存的な変化を示す。
  論文  参考訳（メタデータ） (2026-07-10T21:55:05Z)
• PAIR-CI: Calibrated Conditional Independence Testing for Causal Discovery with Incomplete Data [0.0]
  PAIR-CIは非パラメトリック条件独立(CI)テストであり,複数の命令を直接推論手順に統合することによりキャリブレーションを回復する。 確率的に一貫した分散推定器は、クロスバリデーションと多重計算による不確かさを共同で説明する。
  論文  参考訳（メタデータ） (2026-05-06T12:34:37Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Nearly Optimal Bayesian Inference for Structural Missingness [23.988531482641307]
  ベイズ的な見方では、後続の予測分布による予測は、完全なモデル後続の不確実性の上に統合される。 このフレームワークは、(II)ラベル予測からモデル内の欠損値後部を学習し、予測後部分布を最適化する。 43の分類と15の計算ベンチマークでSOTAを達成し、ベイズ最適性保証の近くに有限サンプルを持つ。
  論文  参考訳（メタデータ） (2026-01-26T14:03:11Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• A Partial Initialization Strategy to Mitigate the Overfitting Problem in CATE Estimation with Hidden Confounding [44.874826691991565]
  観察データから条件平均治療効果(CATE)を推定することは、電子商取引、医療、経済などの分野において重要な役割を果たす。 既存の研究は主に、隠れた共同設立者がいないという強い無知の仮定に依存している。 ランダム化制御試験 (RCT) から収集されたデータは、共起に苦しむことはないが、通常は小さなサンプルサイズによって制限される。
  論文  参考訳（メタデータ） (2025-01-15T15:58:16Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。