論文の概要: Less Greedy Equivalence Search

• arxiv url: http://arxiv.org/abs/2506.22331v1
• Date: Fri, 27 Jun 2025 15:39:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.267126
• Title: Less Greedy Equivalence Search
• Title（参考訳）: 安易な等価検索
• Authors: Adiba Ejaz, Elias Bareinboim,
• Abstract要約: Greedy Equivalence Search (GES)は、観測データから因果探索を行うためのスコアベースのアルゴリズムである。 我々はGESの変種であるLose Greedy Equivalence Search (LGES)を開発した。 本稿では,LGESが観測データや介入データからサンプル値の真同値クラスを復元することを示した。
• 参考スコア（独自算出の注目度）: 52.30805873759552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Greedy Equivalence Search (GES) is a classic score-based algorithm for causal discovery from observational data. In the sample limit, it recovers the Markov equivalence class of graphs that describe the data. Still, it faces two challenges in practice: computational cost and finite-sample accuracy. In this paper, we develop Less Greedy Equivalence Search (LGES), a variant of GES that retains its theoretical guarantees while partially addressing these limitations. LGES modifies the greedy step: rather than always applying the highest-scoring insertion, it avoids edge insertions between variables for which the score implies some conditional independence. This more targeted search yields up to a \(10\)-fold speed-up and a substantial reduction in structural error relative to GES. Moreover, LGES can guide the search using prior assumptions, while correcting these assumptions when contradicted by the data. Finally, LGES can exploit interventional data to refine the learned observational equivalence class. We prove that LGES recovers the true equivalence class in the sample limit from observational and interventional data, even with misspecified prior assumptions. Experiments demonstrate that LGES outperforms GES and other baselines in speed, accuracy, and robustness to misspecified assumptions. Our code is available at https://github.com/CausalAILab/lges.
• Abstract（参考訳）: Greedy Equivalence Search (GES)は、観測データから因果探索を行うための古典的なスコアベースのアルゴリズムである。 サンプル極限では、データを記述するグラフのマルコフ同値クラスを復元する。 それでも、計算コストと有限サンプル精度の2つの課題に直面している。 本稿では,GESの変種であるLose Greedy Equivalence Search(LGES)を開発した。 LGESは、最高スコアの挿入を常に適用するのではなく、スコアが条件付き独立性を示す変数間のエッジ挿入を避ける。 このよりターゲット的な探索は、最大10倍のスピードアップと、GESに対する構造誤差の大幅な削減をもたらす。 さらに、LGESは、データに矛盾する場合にこれらの仮定を修正しながら、事前の仮定を用いて検索をガイドすることができる。 最後に、LGESは介入データを利用して、学習した観測値のクラスを洗練することができる。 本稿では,LGESが観測データや介入データからサンプル値の真同値クラスを復元することを示した。 実験により、LGESはGESや他のベースラインの速度、正確性、堅牢性において、不特定な仮定よりも優れていることが示された。 私たちのコードはhttps://github.com/CausalAILab/lges.comで利用可能です。

関連論文リスト

• AlgoVeri: An Aligned Benchmark for Verified Code Generation on Classical Algorithms [54.99368693313797]
  既存のベンチマークでは、個々の言語/ツールのみをテストするため、パフォーマンス番号は直接比較できない。 このギャップに対処するAlgoVeriは、Dafny、Verus、Leanで77ドルの古典的アルゴリズムのベリコーディングを評価するベンチマークです。
  論文  参考訳（メタデータ） (2026-02-10T06:58:26Z)
• Enhancing Node-Level Graph Domain Adaptation by Alleviating Local Dependency [8.229138664380324]
  知識をグラフから別のグラフに効果的に転送することは、依然として重要な課題である。 本稿では,ノード間に局所的な依存関係が存在する場合にのみ条件シフトが観測可能であることを示す。 本稿では,非相関GCN層とグラフトランスフォーマー層によって具体的に実装可能なノード特徴のデコレーションによるGDAの改善を提案する。
  論文  参考訳（メタデータ） (2025-12-15T10:00:25Z)
• Extremely Greedy Equivalence Search [2.486161976966064]
  我々は、eXtremely Greedy Equivalent Search (XGES)を提案し、Greedy Equivalence Search (GES)の検索戦略を改善する。 XGESは、エッジの挿入よりも早期にエッジを削除することを好んでおり、ローカルオプティマにおける検索終了の可能性を減らす。 XGESは正しいグラフの復元においてGESを一貫して上回り、10倍高速である。
  論文  参考訳（メタデータ） (2025-02-26T20:45:04Z)
• Your Assumed DAG is Wrong and Here's How To Deal With It [4.262342157729123]
  本稿では,因果グラフの集合上の因果クエリのバウンダリを提供する,効率的な勾配に基づく最適化手法を提案する。 当社のアプローチは,DAGが間違っていると仮定した場合の有効な批判に対して,使いやすく,広く適用可能な反論を提供することを目的としています。」
  論文  参考訳（メタデータ） (2025-02-24T10:31:12Z)
• New metrics and search algorithms for weighted causal DAGs [7.424262881242935]
  ノード依存コストの適応的介入による因果グラフ発見について検討する。 検索アルゴリズムの最悪の介入コストをキャプチャする新しいベンチマークを定義する。 本研究では,様々な条件下で対数近似を実現する適応探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-08T03:48:37Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Analyzing Data-Centric Properties for Contrastive Learning on Graphs [32.69353929886551]
  コントラスト学習(CL)のようなグラフSSLメソッドはどのように機能するかを検討する。 我々の研究は、実験的にも理論的にも、データ中心のプロパティがグラフSSLの強化戦略や学習パラダイムに与える影響を厳格に文脈化しています。
  論文  参考訳（メタデータ） (2022-08-04T17:58:37Z)
• Tearing Apart NOTEARS: Controlling the Graph Prediction via Variance Manipulation [17.103787431518683]
  対象の分散攻撃で結果のグラフを制御できることが示される。 特に,対象の分散攻撃によって得られたグラフを制御できることが示される。
  論文  参考訳（メタデータ） (2022-06-14T22:53:05Z)
• On the Eigenvalues of Global Covariance Pooling for Fine-grained Visual Recognition [65.67315418971688]
  グローバル共分散プーリング(GCP)の小さな固有値をトラッピングすることで、よりスムーズな勾配が得られることを示す。 きめ細かいデータセットでは、小さな固有値の切り抜きは、モデルを収束させるのに失敗する。 この観測から着想を得て,小さな固有値の重要性を拡大するネットワーク分岐を提案する。
  論文  参考訳（メタデータ） (2022-05-26T11:41:36Z)
• Causal Structure Learning with Greedy Unconditional Equivalence Search [0.26249027950824505]
  有向非巡回グラフ(DAG)モデルを非条件同値まで特徴づける問題を考察する。 我々は、Greedy Unconditional Equivalence Search (GUES)と呼ばれる観測データからDAGモデルを学習するためのハイブリッドアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-03-01T15:04:49Z)
• 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)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Direction Matters: On the Implicit Bias of Stochastic Gradient Descent with Moderate Learning Rate [105.62979485062756]
  本稿では,中等度学習におけるSGDの特定の正規化効果を特徴付けることを試みる。 SGDはデータ行列の大きな固有値方向に沿って収束し、GDは小さな固有値方向に沿って収束することを示す。
  論文  参考訳（メタデータ） (2020-11-04T21:07:52Z)
• Combining Label Propagation and Simple Models Out-performs Graph Neural Networks [52.121819834353865]
  多くの標準的なトランスダクティブノード分類ベンチマークでは、最先端のGNNの性能を超えたり、一致させることができる。 これをC&S(Correct and Smooth)と呼ぶ。 我々のアプローチは、様々なベンチマークで最先端のGNNの性能を上回るか、ほぼ一致している。
  論文  参考訳（メタデータ） (2020-10-27T02:10:52Z)
• Generalized Zero-Shot Learning via VAE-Conditioned Generative Flow [83.27681781274406]
  一般化されたゼロショット学習は、意味的記述から視覚的表現へ知識を移すことによって、目に見えないクラスと見えないクラスの両方を認識することを目的としている。 近年のGZSLはデータ不足問題として定式化されており、主にGANやVAEを採用して、目に見えないクラスの視覚的特徴を生成する。 GZSLのための条件付き生成フロー,すなわちVAE-Conditioned Generative Flow (VAE-cFlow)を提案する。
  論文  参考訳（メタデータ） (2020-09-01T09:12:31Z)
• Fast Learning of Graph Neural Networks with Guaranteed Generalizability: One-hidden-layer Case [93.37576644429578]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから実際に学習する上で、近年大きな進歩を遂げている。 回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
  論文  参考訳（メタデータ） (2020-06-25T00:45:52Z)

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。