Fugu-MT 論文翻訳(概要): Estimating Causal Bounds from Observational Data With Neural Generative Models

論文の概要: Estimating Causal Bounds from Observational Data With Neural Generative Models

arxiv url: http://arxiv.org/abs/2610.25246v1
Date: Sun, 18 Oct 2026 13:05:36 GMT
ステータス: 情報取得中
システム内更新日: 2026-10-20 22:24:17.442915
Title: Estimating Causal Bounds from Observational Data With Neural Generative Models
Title（参考訳）: ニューラル生成モデルによる観測データからの因果境界の推定
Abstract要約: 個別観測データから因果関係を同定することは因果推論の根本的な問題である。ニューラル生成モデルを用いてそのような境界を推定するためのフレームワークと、これらの境界をより正確に推定するための新しい補間手順を導入する。正確なバウンダリが利用可能なベンチマーク問題に対して,このフレームワークを検証した。
参考スコア（独自算出の注目度）: 5.697789000525639
License:
Abstract: Identifying causal bounds from discrete observational data is a fundamental problem in causal inference. While exact analytical bounds exist for certain graphs, this is not generally the case. In this paper, we introduce a framework for estimating such bounds using neural generative models together with a new extrapolation procedure to estimate these bounds more accurately. Across multiple causal inference settings, it produces bounds that are consistently closer to the true bounds than those obtained with existing general neural approaches. We validate the framework on a range of benchmark problems for which exact bounds are available.
Abstract（参考訳）: 個別観測データから因果関係を同定することは因果推論の根本的な問題である。特定のグラフに対して正確な解析的境界が存在するが、一般にはそうではない。本稿では,ニューラル生成モデルを用いてそのような境界を推定するためのフレームワークと,これらの境界をより正確に推定するための新しい外挿手法を提案する。複数の因果推論設定にまたがって、既存の一般的なニューラルアプローチで得られるものよりも、真の境界に一貫して近い境界を生成する。正確なバウンダリが利用可能なベンチマーク問題に対して,このフレームワークを検証した。

関連論文リスト

Upper Bounds on the Generalization Error of Deep Learning Models via Local Robustness and Stability [0.6717411448500911]
一般化は、データ駆動モデル、特に安全性クリティカルなアプリケーションにデプロイされたディープラーニングモデルの重要な特性である。ほとんどの既存の境界は、実際の設定で空白に悩まされ、実際のエラー率を大幅に上回る緩やかな上限となる。本稿では,各サブリージョン内の安定サンプル数と不安定サンプル数に応じて,ロバストネス項をスケールする一般化境界を提案する。
論文参考訳（メタデータ） (2026-06-15T15:55:22Z)
Data-Driven Information-Theoretic Causal Bounds under Unmeasured Confounding [10.590231532335691]
本研究では,データ駆動型情報理論フレームワークを開発し,条件付き因果関係の同定を行う。我々の重要な理論的貢献は、観測分布 P(Y | A = a, X = x) と干渉分布 P(Y | do(A = a), X = x) の間の f-分割が、確率スコアのみの関数によって上界であることが示している。この結果により、外部感度パラメータ、補助変数、完全な構造仕様、結果境界性仮定を必要とせず、観測データから直接条件因果効果を鋭く同定することができる。
論文参考訳（メタデータ） (2026-01-23T20:47:48Z)
Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms [59.15672758767244]
因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。本稿では,複数視点因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2025-02-27T14:06:14Z)
Existence of unbiased resilient estimators in discrete quantum systems [0.0]
Bhattacharyyaのバウンダリは、事前の正確性に関して、より堅牢な推定フレームワークを提供する。制約数が測定結果を超えると、有限分散の推定器は存在しないことが示される。
論文参考訳（メタデータ） (2024-02-23T10:12:35Z)
Sample Complexity Bounds for Score-Matching: Causal Discovery and Generative Modeling [82.36856860383291]
我々は,標準深部ReLUニューラルネットワークをトレーニングすることにより,スコア関数の正確な推定が可能であることを実証した。スコアマッチングに基づく因果発見手法を用いて因果関係の回復の誤差率の限界を確立する。
論文参考訳（メタデータ） (2023-10-27T13:09:56Z)
Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文参考訳（メタデータ） (2021-10-12T02:21:30Z)
Convergence Rates for Learning Linear Operators from Noisy Data [6.4423565043274795]
本研究では,空間上の線形演算子を学習する逆問題について,ランダムな入力データに対する雑音の多い点評価から検討する。ボヒナーノルムの族に対する後部収縮速度は、推定誤差よりも無限小の傾向にあるため確立する。これらの収束速度は、有界あるいはコンパクトな作用素の学習と比較して線形作用素の学習の難しさを強調し、定量化する。
論文参考訳（メタデータ） (2021-08-27T22:09:53Z)
Causal Discovery in Knowledge Graphs by Exploiting Asymmetric Properties of Non-Gaussian Distributions [3.1981440103815717]
我々は、知識グラフで原因と影響の関係を発見できるハイブリッドアプローチを定義します。提案手法は, 非ガウスモデルを用いて, 非実験行列の瞬時因果構造を求めることに基づく。因果発見には2つのアルゴリズム、知識グラフの分解には1つのアルゴリズムを用いる。
論文参考訳（メタデータ） (2021-06-02T09:33:05Z)
Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文参考訳（メタデータ） (2020-11-04T10:25:13Z)
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)
Lower bounds in multiple testing: A framework based on derandomized proxies [107.69746750639584]
本稿では, 各種コンクリートモデルへの適用例を示す, デランドマイズに基づく分析戦略を提案する。これらの下界のいくつかを数値シミュレーションし、Benjamini-Hochberg (BH) アルゴリズムの実際の性能と密接な関係を示す。
論文参考訳（メタデータ） (2020-05-07T19:59:51Z)

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。