論文の概要: Generalizing Identifiability Results in Causal Discovery from Complete Data to Missing Data Settings

• arxiv url: http://arxiv.org/abs/2610.19211v1
• Date: Tue, 13 Oct 2026 21:24:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.81322
• Title: Generalizing Identifiability Results in Causal Discovery from Complete Data to Missing Data Settings
• Title（参考訳）: 完全データから欠落データへの因果発見における識別可能性の一般化
• Abstract要約: 完全データの因果発見アルゴリズムから欠落したデータ設定まで,正確性を保証するフレームワークを提供する。 因果グラフが未観測の共創者がいない場合、欠落機構が因果的相互作用を伴わない場合には、因果グラフの識別性が保存されることを示す。
• 参考スコア（独自算出の注目度）: 4.182150682920626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While causal discovery methods have matured for complete data, such algorithms for handling missing values remain limited. We establish general sufficient conditions under which causal graphs remain identifiable (i.e., uniquely determined from the available data distribution) under various missingness categories, including Missing Not At Random, and provide a framework to extend correctness guarantees from causal discovery algorithms for complete data to missing data settings. Our results show that identifiability of causal graphs with no unobserved confounders is preserved when (1) missingness mechanisms do not causally interact, (2) no variable directly causes its own missingness, and (3) either faithfulness holds for missingness mechanisms, or they follow generalized linear models. Guided by these theoretical results, we introduce two asymptotically correct algorithms for Additive Noise Models (ANMs) that recover the underlying causal graph and provide consistent parameter estimates.
• Abstract（参考訳）: 因果探索法は完全なデータに対して成熟したものの、欠落した値を扱うアルゴリズムは依然として限られている。 我々は、ランダムに欠くことを含む様々な欠落カテゴリにおいて、因果グラフが識別可能な状態(すなわち、利用可能なデータ分布から一意に決定される)を維持し、完全データから欠落データ設定への因果発見アルゴリズムからの正当性保証を拡張するためのフレームワークを提供する。 その結果,(1)欠損機構が因果的に相互作用しない場合,(2)変数が直接欠落を生じない場合,(3)欠落機構に忠実性がある場合,あるいは一般化線形モデルに従う場合,因果グラフの識別性は保たれることがわかった。 これらの理論結果から導かれ,基礎となる因果グラフを復元し,一貫したパラメータ推定を行う付加雑音モデル(ANM)に対して,漸近的に正しい2つのアルゴリズムを導入する。

関連論文リスト

• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• Identification of Causal Structure in the Presence of Missing Data with Additive Noise Model [24.755511829867398]
  近年の付加雑音モデルでは,自己マスキングの欠如の存在下で因果構造を学習する可能性が示唆された。 本稿では, 以上の理論結果に基づいて, 因果骨格と因果方向を学習する実用的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-19T14:44:26Z)
• Sufficient Identification Conditions and Semiparametric Estimation under Missing Not at Random Mechanisms [4.211128681972148]
  統計的に有効な分析を行うことは、MNARデータの存在において困難である。 従来のMNARモデルを2つの方法で一般化したMNARモデルを考える。 そこで本稿では,確率比をパラメータとして,そのようなモデルで符号化された独立性制約をテストする手法を提案する。
  論文  参考訳（メタデータ） (2023-06-10T13:46:16Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• 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)
• Greedy structure learning from data that contains systematic missing values [13.088541054366527]
  欠落した値を含むデータから学ぶことは、多くの領域でよくある現象である。 比較的少数のベイジアンネットワーク構造学習アルゴリズムが欠落データの原因となっている。 本稿では,2対の削除と逆確率重み付けを利用したグリージー検索構造学習の3つの変種について述べる。
  論文  参考訳（メタデータ） (2021-07-09T02:56:44Z)
• Full Law Identification In Graphical Models Of Missing Data: Completeness Results [13.299431908881425]
  この研究分野における最初の完全性結果を提供する。 次に、欠落したデータと未測定のコンファウンディングの両方の存在によって生じる可能性のある問題に対処する。
  論文  参考訳（メタデータ） (2020-04-10T01:31:10Z)

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。