論文の概要: Design of Experiment for Discovering Directed Mixed Graph

• arxiv url: http://arxiv.org/abs/2509.01887v1
• Date: Tue, 02 Sep 2025 02:24:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.882104
• Title: Design of Experiment for Discovering Directed Mixed Graph
• Title（参考訳）: 直接混合グラフの探索実験の設計
• Authors: Haijie Xu, Chen Zhang,
• Abstract要約: 簡単な構造因果モデル(SCM)の因果グラフ構造を正確に同定するための実験設計の問題について検討する。 周期の存在は、観測データだけでグラフスケルトンを復元することは不可能である。 我々は2種類のアルゴリズム、すなわち有界と無有界のアルゴリズムを開発し、隣り合う2方向のエッジを除いてすべての因果エッジを復元できる。
• 参考スコア（独自算出の注目度）: 6.3850400710838615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of experimental design for accurately identifying the causal graph structure of a simple structural causal model (SCM), where the underlying graph may include both cycles and bidirected edges induced by latent confounders. The presence of cycles renders it impossible to recover the graph skeleton using observational data alone, while confounding can further invalidate traditional conditional independence (CI) tests in certain scenarios. To address these challenges, we establish lower bounds on both the maximum number of variables that can be intervened upon in a single experiment and the total number of experiments required to identify all directed edges and non-adjacent bidirected edges. Leveraging both CI tests and do see tests, and accounting for $d$ separation and $\sigma$ separation, we develop two classes of algorithms, i.e., bounded and unbounded, that can recover all causal edges except for double adjacent bidirected edges. We further show that, up to logarithmic factors, the proposed algorithms are tight with respect to the derived lower bounds.
• Abstract（参考訳）: 本稿では, 単純な構造因果モデル (SCM) の因果グラフ構造を正確に同定する実験設計の問題点について考察する。 サイクルの存在は、観測データだけでグラフスケルトンを復元することは不可能であり、コンバウンディングは特定のシナリオにおける従来の条件独立テスト(CI)をさらに無効にする可能性がある。 これらの課題に対処するために、単一実験で介入できる変数の最大数と、すべての有向エッジと非隣接二方向エッジを識別するために必要な実験の総数の両方に、下位境界を確立する。 CIテストとテストの両方を活用し、$d$分離と$\sigma$分離を考慮し、2つのアルゴリズム、すなわち有界と非有界のクラスを開発し、隣り合う2方向エッジを除いてすべての因果エッジを復元する。 さらに、対数的因子により、提案アルゴリズムは導出した下界に対して厳密であることを示す。

関連論文リスト

• Distributional Equivalence in Linear Non-Gaussian Latent-Variable Cyclic Causal Models: Characterization and Learning [13.891913455492697]
  我々は、一般の、構造的前提のないアプローチに対する中核的な障害は、同値なキャラクタリゼーションの欠如であると主張する。 このアプローチの鍵となるのは、エッジレベルの制約という新しいツールです。
  論文  参考訳（メタデータ） (2026-03-05T03:57:14Z)
• Reasoning by Superposition: A Theoretical Perspective on Chain of Continuous Thought [56.71873693264532]
  連続CoTのD$ステップを持つ2層トランスが有向グラフ到達可能性問題を解くことができることを証明した。 我々の構成では、各連続思考ベクトルは複数の探索フロンティアを同時に符号化する重ね合わせ状態である。
  論文  参考訳（メタデータ） (2025-05-18T18:36:53Z)
• Identifying General Mechanism Shifts in Linear Causal Representations [58.6238439611389]
  我々は,未知の潜在因子の線形混合を観測する線形因果表現学習環境について考察する。 近年の研究では、潜伏要因の復元や、それに基づく構造因果モデルの構築が可能であることが示されている。 非常に穏やかな標準仮定の下では、シフトしたノードの集合を識別することが可能である。
  論文  参考訳（メタデータ） (2024-10-31T15:56:50Z)
• Collaborative non-parametric two-sample testing [55.98760097296213]
  目標は、null仮説の$p_v = q_v$が拒否されるノードを特定することである。 グラフ構造を効率的に活用する非パラメトリックコラボレーティブ2サンプルテスト(CTST)フレームワークを提案する。 提案手法は,f-divergence Estimation, Kernel Methods, Multitask Learningなどの要素を統合する。
  論文  参考訳（メタデータ） (2024-02-08T14:43:56Z)
• Learning Causal Graphs via Monotone Triangular Transport Maps [1.6752182911522522]
  最適輸送(OT)を用いたデータからの因果構造学習の問題点について検討する。 構造方程式やノイズ分布を仮定せずにマルコフ同値まで因果発見するアルゴリズムを提案する。 提案手法と人工と実世界の両方のデータセットにおける技術状況を比較した実験結果を提供する。
  論文  参考訳（メタデータ） (2023-05-26T13:24:17Z)
• One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
  両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。 本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。 このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
  論文  参考訳（メタデータ） (2023-05-12T11:27:20Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• A Unified Experiment Design Approach for Cyclic and Acyclic Causal Models [32.88438123861557]
  本研究では,単純なSCMの因果グラフを一意に同定するための実験設計について検討する。 循環グラフと非循環グラフの両方を学習できる実験設計手法を提案する。 この手法は,最悪の場合,因果グラフを一意に識別するために必要な最大の実験のサイズで最適であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:58:41Z)
• Identification in Tree-shaped Linear Structural Causal Models [4.751074059099236]
  そこで本研究では,有向成分が木を形成するモデルについて検討し,二方向エッジの欠落サイクルがモデル同定に有効であることを示す。 複数の欠落したサイクルが組み合わさってユニークな解が得られることを示す。
  論文  参考訳（メタデータ） (2022-03-03T16:59:49Z)
• 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)
• Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
  観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。 我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
  論文  参考訳（メタデータ） (2021-10-12T02:21:30Z)
• Testing correlation of unlabeled random graphs [18.08210501570919]
  ラベルなしノードを持つ2つのランダムグラフ間のエッジ相関を検出する問題について検討する。 これは仮説テスト問題として定式化され、ヌル仮説の下では、2つのグラフは独立に生成される。 代替として、2つのグラフは、ある潜在ノード対応の下ではエッジ関連であるが、ヌルと同じ辺分布を持つ。
  論文  参考訳（メタデータ） (2020-08-23T19:19:45Z)

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。