粗視化された因果DAGモデル

arXiv stat.ML / 2026/4/3

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、ディレクトグラフ（DAG）モデルにおける因果的抽象化を扱い、因果構造をデータセットの最も細かな特徴レベルで推定できない、または推定すべきでない場合を対象とする。
現実世界の因果推論で実用的に関連する介入（interventional）状況に対して、新しいグラフィカルな識別可能性の結果を提示する。
著者らは、介入対象が未知である場合でも、介入データから抽象的な因果グラフを直接学習するための、効率的で証明可能に整合的な手法を提案する。
探索空間の格子構造に関する理論的解析を含み、抽象化フレームワークをより広い因果発見理論と結び付ける。
合成データと実データでの実験に加え、相互作用する光強度と偏光に関する制御された物理システムの計測を含むことで、本アプローチの実証（proof-of-concept）を示す。

Abstract

有向非巡回グラフ（DAG）モデルは、同時に分布する確率変数間の因果関係を表現するための強力な手段であり、特に異なる実験設定にまたがるデータに関して有用です。しかし、特定のデータセットにおける与えられた特徴（フィーチャー）の粒度で因果モデルを推定することが、必ずしも実用的でも望ましいわけでもありません。このような問題に対処するための、因果抽象化に関する研究が着実に増えています。本研究では、この流れに対して (i) 実際に役立つ介入設定に対する新しいグラフィカル同定可能性の結果を提示し、(ii) 介入ターゲットが未知である状況でも、介入データから抽象因果グラフを直接学習するための、効率的で証明可能に整合的なアルゴリズムを提案し、(iii) 基礎となる探索空間の格子構造に関する理論的知見を明らかにするとともに、より一般的に因果発見の分野との関連も示します。実証例として、既知の真値（ground truth）を持つ合成データおよび実データに対して、制御された物理システムからの測定—相互作用する光強度と偏光を含む—を含む形で、我々のアルゴリズムを適用します。