論文の概要: Invariance of Clustering Operations in Causal Effect Identification

• arxiv url: http://arxiv.org/abs/2610.03101v1
• Date: Fri, 02 Oct 2026 10:22:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.323725
• Title: Invariance of Clustering Operations in Causal Effect Identification
• Title（参考訳）: 因果効果同定におけるクラスタリング操作の不変性
• Abstract要約: 任意のクラスタリングは変数間の重要な因果関係を変え、誤った結論につながる可能性がある。 本稿では、元のグラフのc成分に関連する条件に基づいて、識別不変なクラスタリング操作のクラスを示す。
• 参考スコア（独自算出の注目度）: 1.7966001353008778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clustering variables in causal graphs reduces the size of the graph and simplifies causal inference. However, arbitrary clustering can alter crucial causal relations among variables and lead to erroneous conclusions. While the identifiability of a causal effect in the clustered graph implies the identifiability in the original graph under mild conditions, nonidentifiability in clustered graph does not imply nonidentifiability in the original graph without further assumptions. When both identifiability and nonidentifiability are preserved, the clustering operation is called identification invariant. We present a broad class of clustering operations that are identification invariant based on conditions related to the c-components of the original graph. Finally, we demonstrate use of the results in practical settings.
• Abstract（参考訳）: 因果グラフのクラスタリング変数は、グラフのサイズを減らし、因果推論を単純化する。 しかし、任意のクラスタリングは変数間の重要な因果関係を変化させ、誤った結論につながる可能性がある。 クラスタグラフにおける因果効果の識別可能性は、緩やかな条件下での元のグラフの識別可能性を意味するが、クラスタグラフの非識別性は、さらなる仮定なしでは、元のグラフにおける非識別性を意味するものではない。 識別可能性と非識別性の両方が保存されると、クラスタリング操作は識別不変(identity invariant)と呼ばれる。 本稿では、元のグラフのc成分に関連する条件に基づいて、識別不変なクラスタリング操作の幅広いクラスを示す。 最後に、実際の設定で結果の使用を実演する。

関連論文リスト

• Clustering and Pruning in Causal Data Fusion [1.0923877073891441]
  Do-calculusは因果データ融合のための唯一の汎用ツールである。 本稿では,前処理操作としてプルーニング(不要変数の除去)とクラスタリング(組み合わせ変数)を提案する。
  論文  参考訳（メタデータ） (2025-05-21T07:44:39Z)
• Score-based Causal Representation Learning: Linear and General Transformations [31.786444957887472]
  本稿は、識別可能性と達成可能性の両方に対処する。 スコアに基づくアルゴリズムのクラスを設計し、識別性と達成性の両方を保証する。 結果は、構造化された合成データと画像データに関する実験によって検証される。
  論文  参考訳（メタデータ） (2024-02-01T18:40:03Z)
• Causal Transportability for Visual Recognition [70.13627281087325]
  画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。 次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。 これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
  論文  参考訳（メタデータ） (2022-04-26T15:02:11Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• 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)
• Clustering and Structural Robustness in Causal Diagrams [1.9766522384767222]
  変数のクラスタリングは因果図のサイズを減らす自然な方法である。 我々は、因果効果の識別可能性特性を維持するために、トランジットクラスタと呼ばれる特定のタイプのクラスタを定義する。 このような構造的ロバスト性は、トランジットクラスタと密接に関連していることを示す。
  論文  参考訳（メタデータ） (2021-11-08T13:56:22Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• 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)
• Unsupervised Person Re-identification via Softened Similarity Learning [122.70472387837542]
  人物再識別(re-ID)はコンピュータビジョンにおいて重要なトピックである。 本稿では,ラベル付き情報を必要としないre-IDの教師なし設定について検討する。 2つの画像ベースおよびビデオベースデータセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-04-07T17:16:41Z)

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。