論文の概要: Nonlinear Causal Discovery through a Sequential Edge Orientation Approach

• arxiv url: http://arxiv.org/abs/2506.05590v1
• Date: Thu, 05 Jun 2025 21:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.236913
• Title: Nonlinear Causal Discovery through a Sequential Edge Orientation Approach
• Title（参考訳）: 逐次エッジ指向アプローチによる非線形因果発見
• Authors: Stella Huang, Qing Zhou,
• Abstract要約: 完全部分DAGにおける非方向エッジの順序付け手順を提案する。 制限されたANMを仮定して真の因果DAGを回復できることが証明された。 非線形ANMのもとで因果DAGを学習するための制約に基づく新しいアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 5.807183284468881
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances have established the identifiability of a directed acyclic graph (DAG) under additive noise models (ANMs), spurring the development of various causal discovery methods. However, most existing methods make restrictive model assumptions, rely heavily on general independence tests, or require substantial computational time. To address these limitations, we propose a sequential procedure to orient undirected edges in a completed partial DAG (CPDAG), representing an equivalence class of DAGs, by leveraging the pairwise additive noise model (PANM) to identify their causal directions. We prove that this procedure can recover the true causal DAG assuming a restricted ANM. Building on this result, we develop a novel constraint-based algorithm for learning causal DAGs under nonlinear ANMs. Given an estimated CPDAG, we develop a ranking procedure that sorts undirected edges by their adherence to the PANM, which defines an evaluation order of the edges. To determine the edge direction, we devise a statistical test that compares the log-likelihood values, evaluated with respect to the competing directions, of a sub-graph comprising just the candidate nodes and their identified parents in the partial DAG. We further establish the structural learning consistency of our algorithm in the large-sample limit. Extensive experiments on synthetic and real-world datasets demonstrate that our method is computationally efficient, robust to model misspecification, and consistently outperforms many existing nonlinear DAG learning methods.
• Abstract（参考訳）: 近年の進歩は、付加雑音モデル(ANM)に基づく有向非巡回グラフ(DAG)の識別可能性を確立し、様々な因果発見法の開発に拍車をかけた。 しかし、既存のほとんどの手法は限定的なモデル仮定をし、一般的な独立性テストに大きく依存するか、あるいはかなりの計算時間を必要とする。 これらの制約に対処するため,各DAGの等価クラスを表す部分DAG(CPDAG)における非方向エッジの順序付け手順を提案する。 制限されたANMを仮定して真の因果DAGを回復できることが証明された。 この結果に基づいて、非線形ANMのもとで因果DAGを学習するための制約に基づく新しいアルゴリズムを開発した。 推定 CPDAG を前提として,未方向のエッジをPANM に順にソートし,エッジの評価順序を規定するランク付け手法を開発した。 エッジ方向を決定するために,部分DAG内の候補ノードと同定された両親のみからなるサブグラフの競合方向に対して評価されたログ類似値を比較する統計的試験を考案した。 さらに,本アルゴリズムの構造的学習一貫性を,大域限定で確立する。 合成および実世界のデータセットに対する大規模な実験により、我々の手法は計算効率が高く、モデルのミススペクテーションに頑健であり、既存の非線形DAG学習法よりも一貫して優れていることが示された。

関連論文リスト

• Analytic DAG Constraints for Differentiable DAG Learning [83.93320658222717]
  解析関数とDAG制約の関連性を確立するための理論を開発する。 集合 $f(x) = c_0 + sum_i=1inftyc_ixi | forall i > 0, c_i > 0; r = lim_irightarrow inftyc_i/c_i+1 > 0$ から得られる解析関数は、有効な DAG 制約を定式化するために用いられる。
  論文  参考訳（メタデータ） (2025-03-24T23:51:35Z)
• Addressing pitfalls in implicit unobserved confounding synthesis using explicit block hierarchical ancestral sampling [1.7037247867649157]
  現状のプロトコルには、因果モデルの完全な空間からのアンバイアスサンプリングを妨げる2つの異なる問題があることを示す。 本研究では, ブロック階層的な基底真理因果グラフの生成を生かした, 観測不能な共起に対する明示的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2025-03-12T09:38:40Z)
• Non-negative Weighted DAG Structure Learning [12.139158398361868]
  本研究は,真DAGを夜間観測から学習する問題に対処する。 本稿では, ar を返すことが保証される手法に基づく DAG 回復アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-12T09:41:29Z)
• BayesDAG: Gradient-Based Posterior Inference for Causal Discovery [30.027520859604955]
  マルコフ・チェイン・モンテカルロと変分推論を組み合わせたスケーラブルな因果探索フレームワークを提案する。 本手法では,DAG正則化を必要とせず,直接後部からDAGを採取する。 我々は、置換に基づくDAG学習に新しい等価性をもたらし、置換によって定義された緩和された推定器を使用する可能性を開く。
  論文  参考訳（メタデータ） (2023-07-26T02:34:13Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• Enhancing Few-shot NER with Prompt Ordering based Data Augmentation [59.69108119752584]
  本稿では,PODA(Prompt Ordering Based Data Augmentation)手法を提案する。 3つのパブリックNERデータセットの実験結果とさらなる分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-19T16:25:43Z)
• An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
  本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。 まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
  論文  参考訳（メタデータ） (2022-08-11T22:27:22Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)

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。