論文の概要: Causal Discovery for Linear Models with Latent Confounding via Multi-domain Identifiable Representation Learning

• arxiv url: http://arxiv.org/abs/2610.28134v1
• Date: Tue, 20 Oct 2026 12:43:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.819527
• Title: Causal Discovery for Linear Models with Latent Confounding via Multi-domain Identifiable Representation Learning
• Title（参考訳）: 多領域認識型表現学習による線形連続表現モデルの因果発見
• Abstract要約: 非巡回有向混合グラフ(ADMGs)で表される潜在共起線形因果モデルに焦点をあてる。 ADMGを完全に識別する既存の方法は、通常、非ガウス性や、弓の自由といったグラフィカルな制約を前提とします。 線形因果モデルのためのADMGを識別可能な表現学習により学習するためのフレームワークであるLinADMG(LinADMG)を提案する。
• 参考スコア（独自算出の注目度）: 14.103635625483347
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Causal discovery with latent confounding is particularly challenging, but a common setting in real-world data. In this work, we focus on linear causal models with latent confounding, represented by acyclic directed mixed graphs (ADMGs). Existing methods that fully identify ADMGs typically assume non-Gaussianity or graphical constraints, such as bow-freeness. In contrast, we propose Linear ADMG Learning (LinADMG), a framework for learning ADMGs for linear causal models through identifiable representation learning. Rather than relying on non-Gaussianity or bow-freeness, LinADMG leverages multi-domain settings to identify the noise variables. We show that the identifiability of the noise variables is sufficient for recovering all direct causal relations, and that, under an additional latent-confounding no-cancellation condition, LinADMG can identify the whole ADMG. We implement LinADMG with four identifiable representation learning approaches from the literature and validate the methods on simulated and semisynthetic datasets.
• Abstract（参考訳）: 潜水による因果発見は特に難しいが、実世界のデータでは一般的な設定である。 本研究では,非巡回有向混合グラフ (ADMG) で表される潜在共起線形因果モデルに焦点をあてる。 ADMGを完全に識別する既存の方法は、通常、非ガウス性や、弓の自由のようなグラフィカルな制約を前提とします。 対照的に、線形因果モデルのためのADMGを識別可能な表現学習により学習するフレームワークであるLinADMG(LinADMG)を提案する。 非ガウス性やボウフリー性に頼るのではなく、LinADMGはマルチドメイン設定を利用してノイズ変数を識別する。 ノイズ変数の識別性は,すべての直接的な因果関係を回復するのに十分であり,LinADMGは付加的な非キャンセル条件の下でADMG全体を識別できることを示す。 文献からの4つの識別可能な表現学習アプローチを用いてLinADMGを実装し、シミュレーションおよび半合成データセットの手法を検証する。

関連論文リスト

• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• Causal Representation Learning from General Environments under Nonparametric Mixing [33.30496046313375]
  因果表現学習は、潜伏因果変数とその因果関係を低レベルの観測から回復することを目的としている。 より広い環境のクラスに適用可能な因果表現学習のためのデシラタの集合を定式化する。 我々は,非パラメトリック混合関数の下で潜伏変数を完全復元し,最小限の不定値まで同定できることを示す。
  論文  参考訳（メタデータ） (2026-04-26T16:47:48Z)
• EReLiFM: Evidential Reliability-Aware Residual Flow Meta-Learning for Open-Set Domain Generalization under Noisy Labels [85.78886153628663]
  Open-Set Domain Generalizationは、ディープラーニングモデルが新しいドメインで目に見えないカテゴリを認識できるようにすることを目的としている。 ラベルノイズは、ソースドメインの知識を損なうことによって、オープンセットドメインの一般化を妨げる。 本稿では,ドメインギャップを埋めるために,Evidential Reliability-Aware Residual Flow Meta-Learning (EReLiFM)を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:23:11Z)
• 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)
• LoSAM: Local Search in Additive Noise Models with Mixed Mechanisms and General Noise for Global Causal Discovery [2.4305626489408465]
  加法雑音モデルの局所探索(LoSAM)は、ANMにおける一意なDAG学習のためのトポロジカル順序であり、因果的機構と一般的な雑音分布が混在している。 一貫性と基準を証明し、スケーラビリティとサンプル効率を確保します。
  論文  参考訳（メタデータ） (2024-10-15T16:28:55Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• Causal Reasoning in the Presence of Latent Confounders via Neural ADMG Learning [8.649109147825985]
  潜伏境界は、観測データから因果推論を行うための長年の障害である。 本稿では,ADMG学習のための自己回帰フローに基づく新しい神経因果モデルを提案する。
  論文  参考訳（メタデータ） (2023-03-22T16:45:54Z)
• Differentiable Causal Discovery Under Unmeasured Confounding [19.635669040319872]
  確立されたシステムは、祖先ADMGを通して表現できないより一般的な平等の制限を示す。 我々はこれらの制約を用いて因果発見を連続最適化問題とする。 シミュレーションにより本手法の有効性を実証し,タンパク質発現データセットに適用する。
  論文  参考訳（メタデータ） (2020-10-14T11:47:45Z)

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。