2025年12月31日
## 要約：
本研究では、潜在的な加法ノイズモデル（ANM）を強力な誘導バイアスとして活用するLANCAという新しいアーキテクチャを提案し、教師なしで因果関係を学習する手法を開発しました。従来の統計的独立性に基づく手法が抱える因果関係の捉えられなさを克服し、WAEと特製のANMレイヤーを組み合わせることで、因果的残差の独立性を最適化目標として明示的に設定しました。実験結果は、合成物理学ベンチマークやCANDLE環境において、既存手法を上回る性能を示しています。
---
## 翻訳：
arXiv:2512.22150v1 Announce Type: new
Abstract: 教師なし表現学習は、潜在的な生成要因を回復しようとしますが、統計的独立性に依存する標準的な方法は、しばしば因果的な依存関係を捉えることができません。中心的な課題は識別可能性です。離散表現学習や非線形ICA文献で確立されているように、補助信号や強力な誘導バイアスなしに、観測データから因果変数を取り除くことは不可能です。この研究では、潜在的な加法ノイズモデル（ANM）を強力な誘導バイアスとして活用するLatent Additive Noise Model Causal Autoencoder (LANCA)を提案します。理論的には、ANM制約は一般的に混合ケースでは固有の識別可能性を保証しませんが、許容される変換を任意の微分写像からAffineクラスに制限することで、要素ごとの不定性を解決することを証明します。方法論としては、VAEに内在する確率的符号化は潜在的な因果発見に必要な構造的残差を覆い隠してしまうという議論に基づき、LANCAは、微分可能なANMレイヤーと組み合わせた決定論的なWasserstein Auto-Encoder (WAE)を組み合わせて使用します。このアーキテクチャは、因果的残差の独立性を受動的な仮定から明示的な最適化目標へと変換します。経験的に見ると、LANCAは、合成物理学ベンチマーク（Pendulum、Flow）および写真リアルな環境（CANDLE）において、最先端のベースラインを上回る性能を示します。
[📰 原文はこちら](https://arxiv.org/abs/2512.22150)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
