論文の概要: Causal Discovery beyond Conditional Independence: Identifiability, Algorithms, and Statistical Inference for Directed Acyclic and Cyclic Graphs

• arxiv url: http://arxiv.org/abs/2610.23543v1
• Date: Fri, 16 Oct 2026 14:37:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.956444
• Title: Causal Discovery beyond Conditional Independence: Identifiability, Algorithms, and Statistical Inference for Directed Acyclic and Cyclic Graphs
• Title（参考訳）: 条件付き独立性を超えた因果発見:非周期グラフと周期グラフの同定可能性,アルゴリズム,統計的推論
• Abstract要約: 本総説は, 条件付き独立性を超えた分布特性を利用した現代因果発見手法に焦点をあてる。 本研究では,潜伏埋立構造物の復元から観測変数の因果情報を識別し,潜伏埋立構造とフィードバックの下での発見について検討した。 例は、同じ観測分布が異なるモデルクラスの下で異なる結論を支持できる理由を示している。
• 参考スコア（独自算出の注目度）: 4.645326334051339
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning causal structure from data requires assumptions about mechanisms, noises, observation schemes, and interventions. Historically, causal discovery has relied primarily on conditional independence. This review focuses on modern causal discovery methods that exploit properties of distributions beyond conditional independence. Our organizing principle separates the source of identification from the statistical estimator and its computational implementation. This perspective connects conditional-independence methods with distributional asymmetries, conditional-moment restrictions, and variation across environments or individuals. We examine discovery under latent confounding and feedback, distinguishing causal information about observed variables from reconstruction of latent structure and emphasizing the additional semantics required by cyclic models. We also distinguish population identification, frequentist and Bayesian consistency, uncertainty quantification, and algorithmic guarantees. Throughout, examples show why the same observational distribution can support different conclusions under different model classes. We conclude with guidance for comparing methods at their identifiable targets and a research agenda for uncertainty, heterogeneous populations, non-scalar variables, and the intersection of discrete data, feedback, and hidden confounding.
• Abstract（参考訳）: データから因果構造を学ぶには、メカニズム、ノイズ、観察スキーム、介入に関する仮定が必要である。 歴史的に、因果発見は主に条件付き独立に依存してきた。 本総説は, 条件付き独立性を超えた分布特性を利用した現代因果発見手法に焦点をあてる。 我々の組織原理は、統計推定器とその計算実装から識別源を分離する。 この観点は、条件付き独立性手法を、分布的非対称性、条件付きモーメント制限、環境や個人間での変動と結びつけている。 本研究では,潜伏条件とフィードバックの下での発見について検討し,観測された変数の因果情報と潜伏構造の再構成を区別し,循環モデルで必要とされる追加の意味性を強調した。 また、人口識別、頻度主義、ベイズ的一貫性、不確実性定量化、アルゴリズムによる保証も区別する。 全体を通して、同じ観測分布が異なるモデルクラスの下で異なる結論を支持できる理由を例に示す。 本研究は,不確実性,不均一な集団,非スカラー変数,離散データ,フィードバック,隠れたコンバウンディングの交点などについて,特定可能なターゲットでの手法の比較と研究課題について結論付けた。

関連論文リスト

• Discrete Causal Representation Learning [31.812206971607676]
  因果表現学習は、低レベル、絡み合った、ノイズの多い観察から、高レベルの潜伏変数間の因果関係を明らかにすることを目指している。 本稿では,離散潜伏変数間の有向非巡回グラフと,潜伏層と観測層を連結する疎二部グラフをモデル化する生成フレームワークを提案する。 軽度条件下では,両部測定グラフと潜在因果グラフの両方が観測データ分布のみから同定可能であることを示す。
  論文  参考訳（メタデータ） (2026-03-26T04:28:02Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Nonlinearity, Feedback and Uniform Consistency in Causal Structural Learning [0.8158530638728501]
  Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。 この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
  論文  参考訳（メタデータ） (2023-08-15T01:23:42Z)
• 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)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism [2.28438857884398]
  因果図形構造における潜時楽器変数や隠蔽共通原因などの潜時変数の役割について検討する。 2つの変数間の因果関係を推論する新しいアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-07-17T08:18:19Z)

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。