論文の概要: Entropic Causal Inference: Graph Identifiability

• arxiv url: http://arxiv.org/abs/2509.16463v1
• Date: Fri, 19 Sep 2025 23:10:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.805238
• Title: Entropic Causal Inference: Graph Identifiability
• Title（参考訳）: Entropic Causal Inference: Graph Identifiability
• Authors: Spencer Compton, Kristjan Greenewald, Dmitriy Katz, Murat Kocaoglu,
• Abstract要約: エントロピー因果推論は、観測データから2変数間の因果グラフを学習するためのフレームワークである。 2つ以上のノードを持つ因果グラフを学習するために,エントロピー的アプローチを用いた最初の識別可能性結果を示す。
• 参考スコア（独自算出の注目度）: 18.938298680406305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entropic causal inference is a recent framework for learning the causal graph between two variables from observational data by finding the information-theoretically simplest structural explanation of the data, i.e., the model with smallest entropy. In our work, we first extend the causal graph identifiability result in the two-variable setting under relaxed assumptions. We then show the first identifiability result using the entropic approach for learning causal graphs with more than two nodes. Our approach utilizes the property that ancestrality between a source node and its descendants can be determined using the bivariate entropic tests. We provide a sound sequential peeling algorithm for general graphs that relies on this property. We also propose a heuristic algorithm for small graphs that shows strong empirical performance. We rigorously evaluate the performance of our algorithms on synthetic data generated from a variety of models, observing improvement over prior work. Finally we test our algorithms on real-world datasets.
• Abstract（参考訳）: エントロピー因果推論(Entropic causal inference)は、2変数間の因果グラフを観測データから学習するための最近のフレームワークである。 本研究では、まず因果グラフの識別可能性を拡張し、緩和された仮定の下で2変数の設定を行う。 次に,2つ以上のノードを持つ因果グラフを学習するために,エントロピー的アプローチを用いた最初の識別可能性結果を示す。 提案手法は,二変量エントロピックテストを用いて,ソースノードとその子孫間の祖先性を決定することができるという特性を利用する。 この特性に依存した一般グラフに対する音響シーケンシャルな剥離アルゴリズムを提案する。 また,実験性能の強いグラフに対するヒューリスティックなアルゴリズムを提案する。 我々は,様々なモデルから生成された合成データに対して,アルゴリズムの性能を厳格に評価し,先行作業による改善を観察する。 最後に、実世界のデータセットでアルゴリズムをテストする。

関連論文リスト

• Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
  グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。 本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。 我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
  論文  参考訳（メタデータ） (2024-11-08T17:40:43Z)
• Generating Graphs via Spectral Diffusion [48.70458395826864]
  本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGGSDを提案する。 合成グラフと実世界のグラフの両方に関する広範な実験は、最先端の代替品に対する我々のモデルの強みを実証している。
  論文  参考訳（メタデータ） (2024-02-29T09:26:46Z)
• Perfect Recovery for Random Geometric Graph Matching with Shallow Graph Neural Networks [6.847688111865789]
  2つのグラフが与えられたとき、そのタスクは2つのグラフの頂点の間の未知の1対1のマッピングを復元することである。 特徴ベクトルの疎度と雑音レベルについて一定の条件下では、2層グラフニューラルネットワークは高い確率で正しいマッピングを復元することができる。
  論文  参考訳（メタデータ） (2024-02-12T00:18:25Z)
• Renormalized Graph Representations for Node Classification [21.589472270424405]
  ノード分類作業における粗いグラフ分解能の相違による影響を解析する。 グラフのメソスコピック構造の特徴スケールでの表現を特に実験する。 その結果,元のグラフと特徴的スケールグラフの両方にアクセス可能なモデルでは,統計的に有意な精度の向上が得られた。
  論文  参考訳（メタデータ） (2023-06-01T14:16:43Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
  グラフ上での対実的説明生成の問題について検討する。 グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。 本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
  論文  参考訳（メタデータ） (2022-10-16T04:35:32Z)
• Synthetic Graph Generation to Benchmark Graph Learning [7.914804101579097]
  グラフ学習アルゴリズムは多くのグラフ解析タスクで最先端のパフォーマンスを達成した。 1つの理由は、グラフ学習アルゴリズムのパフォーマンスをベンチマークするために実際に使用されるデータセットが極めて少ないためである。 本稿では,合成グラフの生成と,制御シナリオにおけるグラフ学習アルゴリズムの挙動について検討する。
  論文  参考訳（メタデータ） (2022-04-04T10:48:32Z)
• Learning to Learn Graph Topologies [27.782971146122218]
  ノードデータからグラフ構造へのマッピングを学習する(L2O)。 このモデルは、ノードデータとグラフサンプルのペアを使ってエンドツーエンドでトレーニングされる。 合成データと実世界のデータの両方の実験により、我々のモデルは、特定のトポロジ特性を持つグラフを学習する際の古典的反復アルゴリズムよりも効率的であることが示された。
  論文  参考訳（メタデータ） (2021-10-19T08:42:38Z)
• Learning Graphs from Smooth Signals under Moment Uncertainty [23.868075779606425]
  与えられたグラフ信号の集合からグラフ構造を推測する問題を検討する。 従来のグラフ学習モデルは、この分布の不確実性を考慮していない。
  論文  参考訳（メタデータ） (2021-05-12T06:47:34Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。