論文の概要: DeDiCa: A Scalable Deconfounding Discrete Causal Generative Model

• arxiv url: http://arxiv.org/abs/2610.23272v1
• Date: Fri, 16 Oct 2026 10:42:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.87949
• Title: DeDiCa: A Scalable Deconfounding Discrete Causal Generative Model
• Title（参考訳）: DeDiCa: 離散因果生成モデルによるスケーラブルな分離
• Abstract要約: DeDiCaは、離散変数と隠れ共役を用いた効率的な因果推論のためのフレームワークである。 因果グラフが与えられた場合、DeDiCaは最大で観測データに基づいてトレーニングされる。 DeDiCaはATE推定における最先端の神経因果生成モデルと一致し、メモリ効率の高いCPUトレーニングとミリ秒間の正確な介入推論をサポートする。
• 参考スコア（独自算出の注目度）: 20.772897408550275
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce DeDiCa, a practical framework for efficient causal inference with discrete variables and hidden confounding that revisits classical probabilistic modeling through a tensorized parameterization of causal Bayesian networks, enabling tractable inference. Given a causal graph, DeDiCa is trained once on observational data by maximum likelihood, exactly marginalizing over hidden confounders, and can then estimate any (proxy-)identifiable interventional query. Despite this deliberately simple parameterization, DeDiCa matches state-of-the-art neural causal generative models in ATE estimation, while supporting memory-efficient CPU training and exact interventional inference in milliseconds. Compared with causal foundation models, DeDiCa scales more effectively with additional observational samples and achieves competitive accuracy at substantially lower inference time and memory. DeDiCa provides a tractable, accurate, and scalable approach to causal inference in discrete settings with hidden confounding.
• Abstract（参考訳）: 因果ベイズネットワークのテンソル化パラメータ化によって古典的確率的モデリングを再検討し、抽出可能な推論を可能にする。 因果グラフが与えられた場合、DeDiCaは最大で観測データに基づいてトレーニングされ、隠れた共同設立者に対して完全に疎外され、任意の(プロキシで識別可能な介入クエリを見積もることができる。 この意図的に単純なパラメータ化にもかかわらず、DeDiCaは、数ミリ秒間のメモリ効率の高いCPUトレーニングと正確な介入推論をサポートしながら、ATE推定における最先端の神経因果生成モデルと一致している。 因果的基礎モデルと比較して、DeDiCaはさらなる観測サンプルでより効果的にスケールし、推測時間とメモリがかなり低い競争精度を達成する。 DeDiCaは、秘密のコンファウンディングを備えた個別設定における因果推論に対する、トラクタブルで正確でスケーラブルなアプローチを提供する。

関連論文リスト

• Score-informed Neural Operator for Enhancing Ordering-based Causal Discovery [12.33811209316863]
  対数密度のヘッセン対角線を近似するために,Score-informed Neural Operator (SciNO)を提案する。 SciNOは、合成グラフで42.7%、実世界のデータセットで31.5%のオーダー分散を減少させる。 また,自己回帰モデルを用いた因果推論のための確率論的制御アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-08-18T06:25:41Z)
• DeCaFlow: A deconfounding causal generative model [48.86777554649186]
  本稿では,分解因果生成モデルであるDeCaFlowを紹介する。 DeCaFlowの単一インスタンスがdo-calculusで識別可能なすべての因果クエリに対して正しい推定値を提供することを示す。 多様な設定に関する実証的な結果は、DeCaFlowが既存のアプローチよりも優れており、任意の因果グラフに適用可能であることを示している。
  論文  参考訳（メタデータ） (2025-03-19T11:14:16Z)
• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Evidence Networks: simple losses for fast, amortized, neural Bayesian model comparison [0.0]
  Evidence Networksは、最先端のメソッドがフェールした場合にベイズモデルの比較を可能にする。 リークパリティオード電力変換を導入し、新しいl-POP-Exponential'損失関数を導出する。 Evidence Networks はパラメータ空間の次元性に明示的に依存しており、後続確率密度関数の複雑さと軽度にスケール可能であることを示す。
  論文  参考訳（メタデータ） (2023-05-18T18:14:53Z)
• Diffusion Causal Models for Counterfactual Estimation [18.438307666925425]
  本稿では,観測画像データから因果構造を推定する作業について考察する。 Diff-SCMは,近年の発電エネルギーモデルの発展を基盤とした構造因果モデルである。 Diff-SCMはMNISTデータに基づくベースラインよりも現実的で最小限のデファクトアルを生成しており、ImageNetデータにも適用可能である。
  論文  参考訳（メタデータ） (2022-02-21T12:23:01Z)
• 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)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。