論文の概要: Causal Discovery for Linear Non-Gaussian Models with Disjoint Cycles
- arxiv url: http://arxiv.org/abs/2507.10767v1
- Date: Mon, 14 Jul 2025 19:45:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-16 19:46:02.864859
- Title: Causal Discovery for Linear Non-Gaussian Models with Disjoint Cycles
- Title（参考訳）: 解環を持つ線形非ガウス模型の因果発見
- Authors: Mathias Drton, Marina Garrote-López, Niko Nikov, Elina Robeva, Y. Samuel Wang,
- Abstract要約: 本研究では,解離周期を持つ因果構造を学習するためのアルゴリズムを開発した。
非ガウス分布の低次モーメント間の単純な二次的および立方的関係は、ソースサイクルの特定を可能にすることを示す。
- 参考スコア（独自算出の注目度）: 3.425341633647624
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The paradigm of linear structural equation modeling readily allows one to incorporate causal feedback loops in the model specification. These appear as directed cycles in the common graphical representation of the models. However, the presence of cycles entails difficulties such as the fact that models need no longer be characterized by conditional independence relations. As a result, learning cyclic causal structures remains a challenging problem. In this paper, we offer new insights on this problem in the context of linear non-Gaussian models. First, we precisely characterize when two directed graphs determine the same linear non-Gaussian model. Next, we take up a setting of cycle-disjoint graphs, for which we are able to show that simple quadratic and cubic polynomial relations among low-order moments of a non-Gaussian distribution allow one to locate source cycles. Complementing this with a strategy of decorrelating cycles and multivariate regression allows one to infer a block-topological order among the directed cycles, which leads to a {consistent and computationally efficient algorithm} for learning causal structures with disjoint cycles.
- Abstract（参考訳）: 線形構造方程式モデリングのパラダイムは、容易に因果フィードバックループをモデル仕様に組み込むことができる。
これらは、モデルの共通のグラフィカルな表現において、方向付けられたサイクルとして現れる。
しかし、サイクルの存在は、モデルがもはや条件付き独立関係によって特徴づけられる必要がなくなったという事実のような困難を伴う。
結果として、循環因果構造を学習することは依然として困難な問題である。
本稿では,線形非ガウスモデルの文脈において,この問題に関する新たな知見を提供する。
まず、2つの有向グラフが同じ線型非ガウスモデルを決定するとき、正確に特徴付ける。
次に、非ガウス分布の低次モーメントにおける2次多項式と3次多項式の単純な関係が、ソースサイクルの特定を可能にしていることを示す。
これを非相関サイクルと多変量回帰の戦略で補うことで、有向サイクル間のブロックトポロジ的順序を推測することができ、不整合サイクルを持つ因果構造を学習するための {consistent and computerly efficient algorithm} が導かれる。
関連論文リスト
- Flow-Based Non-stationary Temporal Regime Causal Structure Learning [49.77103348208835]
因果発見のための統合フレームワークであるFANTOMを紹介する。
非定常過程と非ガウス的および異方性雑音を扱う。
同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
論文 参考訳（メタデータ） (2025-06-20T15:12:43Z) - Simple and Critical Iterative Denoising: A Recasting of Discrete Diffusion in Graph Generation [0.0]
中間ノイズ状態間の依存関係は、逆ノイズ化プロセス中にエラーの蓄積と伝播を引き起こす。
本稿では, 離散拡散を単純化し, 問題を回避し, 簡易反復分解という新しい枠組みを提案する。
実験により,提案手法はグラフ生成タスクにおいて既存の離散拡散ベースラインを著しく上回ることを示す。
論文 参考訳（メタデータ） (2025-03-27T15:08:58Z) - Cyclic quantum causal modelling with a graph separation theorem [0.0]
我々は、頑健な確率則と新しいグラフ分離特性、p-分離を導入し、これら全てのモデルに対して健全かつ完全であることを証明した。
提案手法は、選択後の量子テレポーテーションプロトコルを利用して、循環因果モデルから非巡回因果モデルにポストセレクションでマッピングする。
論文 参考訳（メタデータ） (2025-02-06T15:51:15Z) - Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-02T04:01:38Z) - Kernel-Based Differentiable Learning of Non-Parametric Directed Acyclic Graphical Models [17.52142371968811]
因果発見は因果モデルを符号化する有向非巡回グラフ (DAG) を学ぶことに相当する。
近年の研究では、因果発見を連続最適化問題として再検討し、探索を回避しようとしている。
論文 参考訳（メタデータ） (2024-08-20T16:09:40Z) - Bayesian Circular Regression with von Mises Quasi-Processes [57.88921637944379]
本研究では、円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
後部推論のために,高速ギブズサンプリングに寄与するストラトノビッチ様拡張法を導入する。
本研究では,このモデルを用いて風向予測と走行歩行周期のパーセンテージを関節角度の関数として適用する実験を行った。
論文 参考訳（メタデータ） (2024-06-19T01:57:21Z) - Causal Modeling with Stationary Diffusions [89.94899196106223]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。
古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。
提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文 参考訳（メタデータ） (2023-10-26T14:01:17Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳（メタデータ） (2022-10-21T13:19:45Z) - Learning Relational Causal Models with Cycles through Relational
Acyclification [16.10327013845982]
本稿では,関係モデルに特化して設計されたテキスト・アサイクリフィケーションを提案する。
リレーショナルアサイクリゼーションと$sigma$-faithfulnessという仮定の下で、リレーショナル因果探索アルゴリズム RCD はサイクリックモデルに対して健全かつ完全であることを示す。
論文 参考訳（メタデータ） (2022-08-25T17:00:42Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳（メタデータ） (2022-02-05T08:21:04Z) - Learning Linear Non-Gaussian Graphical Models with Multidirected Edges [8.71151886950158]
観測データを用いた線形非ガウス構造方程式モデルの非巡回混合グラフを学習するための新しい手法を提案する。
そこで本研究では,複数方向のエッジのみでなく,複数方向のエッジを学習することで,復元モデルの隠れ変数構造を増大させることができることを示す。
論文 参考訳（メタデータ） (2020-10-11T18:10:15Z) - Structure Learning for Cyclic Linear Causal Models [5.567377163246147]
観測データに基づく線形因果モデルにおける構造学習の問題点を考察する。
循環型混成グラフによって与えられるモデルを扱うことで、フィードバックループと潜伏した共同設立者の影響を可能とします。
論文 参考訳（メタデータ） (2020-06-10T17:47:28Z)
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。