論文の概要: CIDER-FM: Foundation Models for Causal Inference from Diverse Experimental Regimes
- arxiv url: http://arxiv.org/abs/2609.39523v1
- Date: Wed, 30 Sep 2026 11:20:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.601963
- Title: CIDER-FM: Foundation Models for Causal Inference from Diverse Experimental Regimes
- Title（参考訳）: CIDER-FM:各種実験結果からの因果推論の基礎モデル
- Abstract要約: 因果基礎モデル(CFMs)は、合成構造因果モデル(SCMs)の先行性に対する因果推論を補正する
本研究は,CFMを有限観測データと代理データとを結合する手法として研究する。
- 参考スコア（独自算出の注目度）: 74.68317443281695
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal foundation models (CFMs) amortise causal inference over priors of synthetic structural causal models (SCMs), predicting the effect of an experiment on a specific variable. However, observational data alone may leave multiple causal models compatible with available evidence, while experimental data with interventions on exactly the variable of interest might be unavailable. This work studies CFMs as a method to combine finite observational and surrogate-interventional datasets in order to predict a target conditional interventional distribution (CID) more accurately than with observational data alone. We first formalise the conceptual benefits of surrogate experiments. Building on this analysis, we introduce \textsc{Foundation Models for Causal Inference from Diverse Experimental Regimes} (\emph{CIDER-FM}), a causal foundation model that uses an intervention-aware representation and hierarchical three-axis attention to exchange information across variables, samples, and experimental regimes. We evaluate CIDER-FM against a wide range of baselines across diverse synthetic graph and mechanism families, as well as on both simulated and real-world data from Causal Chambers. Our results demonstrate strong CID prediction performance and show that incorporating experimental context can improve predictions over observational data alone.
- Abstract（参考訳）: 因果基底モデル(CFMs)は、合成構造因果モデル(SCMs)の先行よりも因果推論を補正し、実験が特定の変数に与える影響を予測する。
しかし、観測データだけでは、利用可能な証拠と互換性のある複数の因果モデルを残し、興味のある変数を正確に介入する実験データは利用できないかもしれない。
本研究は, 観測データのみを用いた場合よりも, 目標条件介入分布(CID)を正確に予測するために, 有限観測データセットと代理干渉データセットを組み合わせる手法としてCFMについて検討する。
まず、代理実験の概念的利点を定式化する。
この分析に基づいて、変数、サンプル、実験体制間で情報交換を行うために、介入認識表現と階層的な3軸注意を用いた因果的基礎モデルである、横行実験レジームからの因果推論のためのtextsc{Foundation Models (\emph{CIDER-FM})を紹介する。
そこで我々はCIDER-FMを多種多様な合成グラフおよび機構ファミリにまたがる幅広いベースラインに対して評価し,Causal Chambersのシミュレーションおよび実世界のデータに基づいて評価した。
実験結果から,CID予測性能が向上し,観測データのみによる予測精度が向上することが示唆された。
関連論文リスト
- What You Observe Determines How You Identify Causal Effects: Evaluating Causal Models across Observational Views [15.812009511008052]
様々な構造因果モデル(SCM)から生成されたデータに基づいて事前訓練された因果基礎モデル(CFM)が観測データから因果効果を推定するために提案されている。
CausalIDViewは、固定されたSCM実現とターゲット推定を保持するマルチビューベンチマークであり、推定器で利用可能な観測ビューのみを変化させる。
これらの一致したビュー全体において、CFMは一貫してベストを尽くさず、モデルランキングも大幅に異なる。
論文 参考訳（メタデータ） (2026-09-29T07:11:59Z) - CDFM: Towards a General-Purpose Causal Discovery Foundation Model [62.32138962508216]
因果発見は、観測データから根底にある因果構造を復元する過程である。
ゼロショット構造推論のための統一的汎用フレームワークとしてCausal Discovery Foundation Model (CDFM) を定式化する。
CDFMは従来のアルゴリズムを一貫して上回り、汎用因果発見基盤モデルへのパラダイムシフトを推進している。
論文 参考訳（メタデータ） (2026-07-13T12:58:28Z) - Distributional Causal Mediation via Conditional Generative Modeling [0.0]
分布因果メディエーション分析(Distributedal Causal Mediation Analysis、DCMA)は、複数のメディエーターを通して伝達される結果分布全体に対する治療効果を同定し、推定するための生成学習フレームワークである。
ノイズサンプリングによるモンテカルロ前方シミュレーションにより干渉結果分布を再構成する。
解析誤差境界は、学習条件モデルにおける推定誤差が、再構成された介入結果分布にどのように伝播するかを分解するために導かれる。
論文 参考訳（メタデータ） (2026-05-03T07:57:41Z) - Kolmogorov-Arnold causal generative models [40.44169036529174]
因果生成モデルは、観測データから観察的、介入的、および反事実的クエリに答えるための原則化された枠組みを提供する。
我々はKAN(Kolmogorov-Arnold Network)により各構造方程式をパラメータ化した混合型表型データに対する因果生成モデルKaCGMを提案する。
この分解は、シンボリック近似や親子関係の可視化を含む学習因果関係の直接検査を可能にする。
論文 参考訳（メタデータ） (2026-03-20T17:58:38Z) - Spatial Reasoning with Denoising Models [49.83744014336816]
本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。
初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。
これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
論文 参考訳（メタデータ） (2025-02-28T14:08:30Z) - 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) - Modeling Causal Mechanisms with Diffusion Models for Interventional and Counterfactual Queries [10.818661865303518]
本稿では,観察的,介入的,反ファクト的クエリに因果的に十分な設定で回答する問題を考察する。
本稿では拡散型因果モデル (DCM) を導入し, 独自の潜伏符号化を生成する因果メカニズムを学習する。
我々の実証評価は、因果クエリに応答する既存の最先端手法よりも大幅に改善されたことを示す。
論文 参考訳（メタデータ） (2023-02-02T04:08:08Z) - Harmonization with Flow-based Causal Inference [12.739380441313022]
本稿では, 医療データを調和させる構造因果モデル (SCM) に対して, 反実的推論を行う正規化フローに基づく手法を提案する。
我々は,この手法が最先端のアルゴリズムよりもドメイン間一般化に寄与することを示すために,複数の,大規模な実世界の医療データセットを評価した。
論文 参考訳（メタデータ） (2021-06-12T19:57:35Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。
本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。
その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文 参考訳（メタデータ） (2020-04-18T20:09:34Z)
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。