ベイズネットワークおよびハイパーグラフにおける因果性の情報理論的シグネチャ
arXiv stat.ML / 2026/4/14
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、部分情報分解（PID）の構成要素を多変量システムの因果構造に結び付けることで、高次の情報理論を因果発見へ接続する方法を扱う。
- ベイズネットワークにおいて、PIDの一意情報（unique information）は直接の因果的近傍（direct causal neighbors）に対応し、シナジー（synergy）はコライダー関係に対応することを証明し、局所的な情報に基づく因果発見のアプローチを可能にする。
- この理論を因果ハイパーグラフへ拡張し、PIDのシグネチャによって、親（parents）、子（children）、共頭（co-heads）、共尾（co-tails）といった因果的役割を区別できることを示す。さらに、多重テイル（multi-tail）ハイパーエッジに特有のコライダー効果も含む。
- 著者らは、PIDを、グラフ構造に対する大域的探索に依存せずに、対（pairwise）および高次の因果構造の双方を推論するための、厳密でモデル非依存の基盤として位置付けている。
