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

• 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)
• 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)

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。