論文の概要: A Semi-Analytical Inference Framework for Structural Causal Models

• arxiv url: http://arxiv.org/abs/2610.28103v1
• Date: Tue, 20 Oct 2026 12:17:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.801574
• Title: A Semi-Analytical Inference Framework for Structural Causal Models
• Title（参考訳）: 構造因果モデルのための半解析的推論フレームワーク
• Abstract要約: 構造因果モデル(Structure Causal Models, SCM)は、観察的、介入的、および反事実的推論のための原則的な枠組みを提供する。 我々はSCM上で直接メッセージパッシング方式を用いて推論を行う。 結果のアルゴリズムは、条件分布を明示的に構成することなく、数値的な二次および線型代数を通して推論を表現する。
• 参考スコア（独自算出の注目度）: 4.120378654253263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural Causal Models (SCMs) provide a principled framework for observational, interventional, and counterfactual reasoning, all of which rely on probabilistic inference. Existing frameworks either transform SCMs into alternative tractable representations or rely on approximate inference with expressive generative models. We instead perform inference using a message passing scheme directly on the SCM by representing structural mechanisms and probability densities in a common finite-dimensional function space. Forward propagation combines a numerical realization of the Law of the Unconscious Statistician, while propagated densities are recovered by spline projection from LOTUS moments. The same representation naturally yields backward message passing for conditioning, providing a unified framework for causal inference. Using tensor-product B-spline bases, the resulting algorithm expresses inference through numerical quadrature and linear algebra without explicitly constructing conditional distributions. Experiments on randomly generated continuous SCMs demonstrate accurate approximation of Monte Carlo reference solutions and systematic improvement with increasing basis resolution.
• Abstract（参考訳）: 構造因果モデル (Structure Causal Models, SCM) は、観測的、介入的、反ファクト的推論のための原則的な枠組みを提供する。 既存のフレームワークは、SCMを代替の抽出可能な表現に変換するか、表現的生成モデルと近似推論に依存する。 代わりに、共通有限次元関数空間における構造機構と確率密度を表現し、SCM上で直接メッセージパッシング方式を用いて推論を行う。 前向きの伝播は無意識統計学の法則の数値的実現を組み合わせ、伝播密度はLOTUSモーメントからのスプライン投影によって回復する。 同じ表現は自然に条件付けのための後方メッセージパッシングをもたらし、因果推論のための統一されたフレームワークを提供する。 テンソル積 B-スプライン基底を用いて、結果のアルゴリズムは、条件分布を明示的に構成することなく、数値二次および線型代数を通して推論を表現する。 ランダムに生成された連続SCMの実験は、モンテカルロ参照解の正確な近似と、基底分解能の増大を伴う体系的な改善を示す。

関連論文リスト

• Discrete Diffusion Models: A Unified Framework from Tokenization to Generation [66.16696467962375]
  この研究は、基礎となる離散状態空間の構築を通じて離散拡散モデルを見る統一的な概念的枠組みを導入する。 このフレームワーク内では、遷移行列、マスキング/吸収状態、スコア/比例に基づくアプローチを含む既存の定式化が、共通のデザイン空間の異なるインスタンス化として現れる。
  論文  参考訳（メタデータ） (2026-07-15T04:23:22Z)
• FlexCausal: Flexible Causal Disentanglement via Structural Flow Priors and Manifold-Aware Interventions [1.7114074082429929]
  因果解離表現学習(Causal Disentangled Representation Learning)は、観測から低次元表現を学習し、解離することを目的とする。 本稿では,ブロック対角共分散VAEに基づく新しいCDRLフレームワークFlexCausalを提案する。 本フレームワークは,学習した潜在部分空間と基底-真理因果関係の正確な構造的対応を保証する。
  論文  参考訳（メタデータ） (2026-01-29T11:30:53Z)
• Representation-Aware Distributionally Robust Optimization: A Knowledge Transfer Framework [6.529107536201152]
  本稿では,分散シフトに対処する際の予測表現を考慮に入れた,分散的ロバスト学習のための新しいフレームワークを提案する。 我々は,READが輸送コストに多次元アライメントパラメータを埋め込むことで,情報表現に関連する方向に沿った摂動を差分的に回避できることを示した。 我々は、広範囲なシミュレーションと実世界の研究を通して、我々のフレームワークの有効性を実証することで結論付ける。
  論文  参考訳（メタデータ） (2025-09-11T11:42:17Z)
• Partially Functional Dynamic Backdoor Diffusion-based Causal Model [2.922436362861351]
  部分機能的動的バックドア拡散に基づく因果モデル(PFD-BDCM)を導入する。 PFD-BDCMは、有効なバックドア調整を拡散サンプリング機構に組み込んで、測定されていない共同設立者からのバイアスを軽減する。 実測値の誤差設定による理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-08-30T12:11:23Z)
• 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)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Compositional Probabilistic and Causal Inference using Tractable Circuit Models [20.07977560803858]
  我々は、構造化分解可能なPCにおける(マルジナル)決定性の新規な定式化であるmd-vtreesを紹介する。 我々は,PC上でのバックドア調整などの因果推論クエリに対して,最初のpolytimeアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2023-04-17T13:48:16Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• 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)
• Posterior-Aided Regularization for Likelihood-Free Inference [23.708122045184698]
  後補助正規化(PAR)は,モデル構造に関係なく,密度推定器の学習に適用可能である。 単一のニューラルネットワークを用いて逆KL項と相互情報項の両方を推定するPARの統一推定方法を提供する。
  論文  参考訳（メタデータ） (2021-02-15T16:59:30Z)
• 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。