要約: 因果生成モデルは、観測データから観測的、介入的、および反事実的な問いに答えるための原理的な枠組みを提供します。しかし、多くの深層因果モデルは、不可解な機構を備えた高い表現力を持つアーキテクチャに依存しており、重要性の高い領域での監査可能性を制限します。私たちは KaCGM を提案します。これは混合型の表形式データの因果生成モデルで、各構造方程式が Kolmogorov–Arnold Network (KAN) によってパラメータ化されています。この分解により、学習された因果機構を直接検査できるようになり、記号的近似や親子関係の可視化を含むクエリに依存しない生成意味論を保持します。分布の一致と推定された外生変数の独立性診断に基づく検証パイプラインを導入し、観測データのみを用いて評価できるようにします。合成データおよび半合成ベンチマークでの実験は、最先端の手法と競合する性能を示します。現実の心血管系のケーススタディは、簡略化された構造方程式の抽出と解釈可能な因果効果をさらに示します。これらの結果は、表現力のある因果生成モデリングと機能的透明性を共同で実現できる可能性を示唆しており、表形式の意思決定環境における信頼できる展開を支援します。 Code: https://github.com/aalmodovares/kacgm
Kolmogorov–Arnold 因果生成モデル
arXiv cs.LG / 2026/3/23
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- KaCGM は、混合型の表形式データに対して、各構造方程式が Kolmogorov–Arnold Network（KAN）によってパラメータ化される因果生成モデルを導入し、原理に基づく因果推論と解釈性を実現します。
- この分解により、学習された因果メカニズムを直接検証できるようになり、記号的近似や親子関係の可視化を含み、ハイリスクな状況での監査可能性を向上させます。
- 推定外生変数の分布的一致性と独立性診断に基づく検証パイプラインは、観測データだけを用いて評価を可能にします。
- 合成データおよび半合成データベンチマークでの実験は、最先端手法に対して競争力のある性能を示し、実世界の心血管系ケーススタディは解釈可能な因果効果と簡略化された構造方程式を実証しています。
- 本研究では、再現性と表形式データの意思決定環境での実用的な適用を支援するコード（GitHub）を提供しています。
