論文の概要: Causal Discovery Under Hard Selection Bias: A New Robust Score-Matching Approach

• arxiv url: http://arxiv.org/abs/2610.18075v1
• Date: Tue, 13 Oct 2026 09:58:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:29:25.678471
• Title: Causal Discovery Under Hard Selection Bias: A New Robust Score-Matching Approach
• Title（参考訳）: ハード選択バイアスによる因果発見:ロバストなスコアマッチングアプローチ
• Abstract要約: 本稿では,トラッピングデータ(ハードセレクション)に着目し,付加雑音モデル(ANM)の一般的な結果を提供する。 スコア関数の特殊特性により,スコアベース手法が驚くほど適していることを示す。 確立されたスコアマッチングアルゴリズムは、ほとんどの環境では依然として失敗するが、この観測を積極的に活用し、因果発見のための新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 24.437250546624483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selection bias is a difficult yet widespread problem in causal discovery, occurring whenever non-random selection processes lead to data that is not representative of the underlying populations. Due to its practical importance, related works have been proposed to address the problem under local [Versteeg et al., 2022] or interventional settings [Dai et al., 2025a], but general algorithms for observational data remain elusive. In this paper, we focus on truncated data (hard selection), and provide a general result for Additive Noise Models (ANM). We show that score-based methods are a surprisingly suitable candidate due to a special property of the score function ($\nabla \log p(x)$): deterministic truncation preserves both the score of the joint distribution as well as the Jacobian of the score. While established score-matching algorithms still fail in most settings, we actively leverage this observation to propose a new method for causal discovery that is robust under truncated data with ANMs. Overall, our approach offers a general, robust solution that is agnostic to external information about the selection process and still achieves comparable performance to the state-of-the-art approaches when selection is not present.
• Abstract（参考訳）: 選択バイアスは因果発見において難しいが広範な問題であり、非ランダム選択プロセスが根底にある人口を代表していないデータに繋がるときに発生する。 その実用的重要性から、局所的な[Versteeg et al , 2022] や介入的設定(Dai et al , 2025a] の下での問題に対処する関連研究が提案されているが、観測データの一般的なアルゴリズムはいまだ解明されていない。 本稿では,トラッピングデータ(ハードセレクション)に着目し,付加雑音モデル(ANM)の一般的な結果を提供する。 スコア関数の特別な性質により、スコアベースの手法が驚くほど適切な候補であることが示される(\nabla \log p(x)$): 決定論的トランケーションは、スコアのジョイント分布のスコアだけでなく、スコアのジャコビアンも保存する。 確立されたスコアマッチングアルゴリズムは、ほとんどの環境では依然として失敗するが、この観測を積極的に活用して、ANMで切り詰められたデータの下で堅牢な因果発見の新しい手法を提案する。 全体として、我々のアプローチは、選択プロセスに関する外部情報に依存しない汎用的で堅牢なソリューションを提供し、選択が存在しない場合にも、最先端のアプローチに匹敵するパフォーマンスを実現する。

関連論文リスト

• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• Unsupervised feature selection algorithm framework based on neighborhood interval disturbance fusion [8.869067846581943]
  多くの教師なし特徴選択アルゴリズムの普遍性と安定性はデータセット構造に大きな影響を与えている。 本稿では、データセットを前処理し、間隔法を用いてデータセットを近似し、新しい間隔データセットの利点と欠点を実験的に検証する。
  論文  参考訳（メタデータ） (2024-10-20T05:39:04Z)
• AAA: an Adaptive Mechanism for Locally Differential Private Mean Estimation [42.95927712062214]
  ローカルディファレンシャルプライバシ(LDP)は、一般的なソフトウェアシステムで採用されている強力なプライバシ標準である。 本稿では, 平均効用に対処する分布認識手法である, 適応型アダプティブ (AAA) 機構を提案する。 我々は、厳密なプライバシー証明、ユーティリティ分析、そしてAAAと最先端のメカニズムを比較した広範な実験を提供する。
  論文  参考訳（メタデータ） (2024-04-02T04:22:07Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Bi-objective Ranking and Selection Using Stochastic Kriging [0.0]
  両目的のランク付けと選択の問題について検討し,その2つの目的が不確実性をもって観測された。 そこで本研究では,競合する解に対して逐次サンプルを割り当てるバイーシアン双対象ランクと選別法を提案する。 実験結果から,提案手法は標準的なアロケーション手法よりも優れており,また,よく知られた最先端のアルゴリズムも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-09-05T23:51:07Z)
• Navigating to the Best Policy in Markov Decision Processes [68.8204255655161]
  マルコフ決定過程における純粋探索問題について検討する。 エージェントはアクションを逐次選択し、結果のシステム軌道から可能な限り早くベストを目標とする。
  論文  参考訳（メタデータ） (2021-06-05T09:16:28Z)
• Decorrelated Clustering with Data Selection Bias [55.91842043124102]
  本稿では,データ選択バイアスを伴うクラスタリングのためのデコリレーション正規化K-Meansアルゴリズム(DCKM)を提案する。 DCKMアルゴリズムは,選択バイアスによって生じる予期せぬ特徴相関を除去する必要があることを示す。
  論文  参考訳（メタデータ） (2020-06-29T08:55:50Z)

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。