論文の概要: Identifiability from Stationary Covariance in Linear SDEs with Reciprocal Interactions and Latent Variables
- arxiv url: http://arxiv.org/abs/2610.31310v1
- Date: Thu, 22 Oct 2026 14:07:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.398975
- Title: Identifiability from Stationary Covariance in Linear SDEs with Reciprocal Interactions and Latent Variables
- Title（参考訳）: 線形SDEにおける相反相互作用と潜時変数の定常共分散の同定可能性
- Abstract要約: 中心的な因果関係は、定常分布から引き出された観測データから因果関係が特定できるかどうかである。
まず、有向2サイクルを含むシステムにおける因果効果の汎用的識別性のための新しいグラフィカルな条件を確立する。
次に、未探索の潜伏変数の設定について、部分観測可能性の下で目的の直接因果効果を識別するインストゥルメンタル・変数・フレームワークを開発することで解決する。
- 参考スコア（独自算出の注目度）: 7.097327421487074
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continuous-time stochastic differential equations (SDEs) provide a natural framework for modeling interacting dynamical systems. A central causal question is whether causal effects among observed variables can be identified from observational data drawn from the stationary distribution, given the underlying causal graph. For linear SDEs, existing identifiability results are largely restricted to fully observed systems whose causal graphs contain no directed 2-cycles. We first establish new graphical conditions for the generic identifiability of causal effects in systems that may contain directed 2-cycles, thereby allowing for reciprocal interactions. Next, we address the previously unexplored setting of latent variables by developing an instrumental-variable framework for identifying a target direct causal effect under partial observability.
- Abstract（参考訳）: 連続時間確率微分方程式(SDE)は相互作用する力学系をモデル化するための自然な枠組みを提供する。
中心因果関係の問題は,観測変数間の因果関係が定常分布から引き出された観測データから,基礎となる因果関係のグラフから特定できるかどうかである。
線形SDEの場合、既存の識別可能性は、因果グラフに有向2サイクルが存在しない完全観測系に大きく制限される。
まず、有向2サイクルを含むシステムにおける因果効果の汎用的識別性のための新しいグラフィカルな条件を確立し、相互の相互作用を可能にする。
次に、未探索の潜伏変数の設定について、部分観測可能性の下で目的の直接因果効果を識別するインストゥルメンタル・変数・フレームワークを開発することで解決する。
関連論文リスト
- Disentangling Continuous-Time Latent Dynamics: Identifiability of Latent SDEs via Diffusion Shifts [60.95873409673775]
連続時間潜在微分方程式モデルにおける識別可能性はほとんど開のままである。
未知の非線形微分同相を通じて観測される付加ノイズ潜在SDEについて検討した。
本稿では,2段階の遅延不整合とグラフ復元のための推定器を提案する。
論文 参考訳（メタデータ） (2026-06-26T16:18:28Z) - Identifiability Analysis of Linear ODE Systems with Hidden Confounders [45.14890063421295]
本稿では,隠れた共同設立者を組み込んだ線形ODEシステムにおける識別可能性の体系的解析について述べる。
最初のケースでは、潜伏した共同設立者は因果関係を示さないが、その進化は特定の形態に固執する。
その後、この分析を、隠れた共同創設者が因果依存性を示すシナリオにまで拡張する。
論文 参考訳（メタデータ） (2024-10-29T10:15:56Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳（メタデータ） (2023-10-24T07:46:10Z) - 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) - Score-based Causal Representation Learning with Interventions [54.735484409244386]
本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。
目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
論文 参考訳（メタデータ） (2023-01-19T18:39:48Z) - Discovering Latent Causal Variables via Mechanism Sparsity: A New
Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。
潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文 参考訳（メタデータ） (2021-07-21T14:22:14Z) - Causal discovery of linear non-Gaussian acyclic models in the presence
of latent confounders [6.1221613913018675]
本稿では,反復因果探索 (RCD) と呼ばれる因果関数モデルに基づく手法を提案する。
RCDは、少数の観測変数間で因果方向を推論し、その関係が潜伏した共同設立者の影響を受けているかどうかを判定する。
論文 参考訳（メタデータ） (2020-01-13T12:55:47Z)
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。