論文の概要: Near-Optimal Experiment Design in Linear non-Gaussian Cyclic Models

• arxiv url: http://arxiv.org/abs/2509.21423v1
• Date: Thu, 25 Sep 2025 09:34:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:53.919811
• Title: Near-Optimal Experiment Design in Linear non-Gaussian Cyclic Models
• Title（参考訳）: 線形非ガウスサイクルモデルにおける準最適実験設計
• Authors: Ehsan Sharifian, Saber Salehkaleybar, Negar Kiyavash,
• Abstract要約: 線形非ガウス構造方程式モデルから因果構造学習の問題を考察する。 近年の研究では、単に観測データを用いることで、因果グラフは置換等価クラスまでしか識別できないことが示されている。
• 参考スコア（独自算出の注目度）: 25.51914785590587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of causal structure learning from a combination of observational and interventional data generated by a linear non-Gaussian structural equation model that might contain cycles. Recent results show that using mere observational data identifies the causal graph only up to a permutation-equivalence class. We obtain a combinatorial characterization of this class by showing that each graph in an equivalence class corresponds to a perfect matching in a bipartite graph. This bipartite representation allows us to analyze how interventions modify or constrain the matchings. Specifically, we show that each atomic intervention reveals one edge of the true matching and eliminates all incompatible causal graphs. Consequently, we formalize the optimal experiment design task as an adaptive stochastic optimization problem over the set of equivalence classes with a natural reward function that quantifies how many graphs are eliminated from the equivalence class by an intervention. We show that this reward function is adaptive submodular and provide a greedy policy with a provable near-optimal performance guarantee. A key technical challenge is to efficiently estimate the reward function without having to explicitly enumerate all the graphs in the equivalence class. We propose a sampling-based estimator using random matchings and analyze its bias and concentration behavior. Our simulation results show that performing a small number of interventions guided by our stochastic optimization framework recovers the true underlying causal structure.
• Abstract（参考訳）: 本研究では,周期を含む線形非ガウス構造方程式モデルにより生成された観測データと介入データの組み合わせから因果構造学習の問題点を考察する。 近年の研究では、単に観測データを用いることで、因果グラフは置換等価クラスまでしか識別できないことが示されている。 我々は、同値類の各グラフが二部グラフの完全マッチングに対応することを示すことによって、このクラスの組合せ的特徴付けを得る。 この二部表現により、介入がどのようにマッチングを変更したり制約したりするかを分析することができます。 具体的には、各原子間干渉が真のマッチングの一端を明らかにし、すべての非互換因果グラフを除去することを示す。 その結果,最適実験設計タスクを,等価クラスの集合に対する適応確率最適化問題として定式化し,介入によって同値クラスから何個のグラフが除去されるかを定量化する自然報酬関数を与える。 この報酬関数は適応的部分モジュラーであり、証明可能な準最適性能保証を備えた欲求ポリシーを提供する。 重要な技術的課題は、同値クラスのすべてのグラフを明示的に列挙することなく、報酬関数を効率的に見積もることである。 ランダムマッチングを用いたサンプリングベース推定器を提案し,そのバイアスと濃度挙動を解析する。 シミュレーションの結果,確率的最適化フレームワークによって導かれる少数の介入を行うことで,真の因果構造を復元できることが示唆された。

関連論文リスト

• Sample Efficient Bayesian Learning of Causal Graphs from Interventions [6.823521786512908]
  本研究では,限られた介入サンプルを用いた因果グラフ学習におけるベイズ的アプローチについて考察する。 我々は,提案アルゴリズムが真の因果グラフを高い確率で返すことを理論的に示す。 本稿では,このアルゴリズムを,グラフ全体を学習することなく,より一般的な因果問題にどう対応できるかを示すケーススタディを提案する。
  論文  参考訳（メタデータ） (2024-10-26T05:47:56Z)
• Analysis of Corrected Graph Convolutions [10.991475575578855]
  最先端の機械学習モデルは、しばしばデータに複数のグラフ畳み込みを使用する。 過度に多くのグラフ畳み込みが性能を著しく低下させることを示す。 正確な分類では、分離性閾値を最大$O(logn/logn)$修正畳み込みまで指数関数的に改善できることが示される。
  論文  参考訳（メタデータ） (2024-05-22T20:50:17Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• 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)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Deep Probabilistic Graph Matching [72.6690550634166]
  本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。 提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-05T13:37:27Z)
• Binary Classification of Gaussian Mixtures: Abundance of Support Vectors, Benign Overfitting and Regularization [39.35822033674126]
  生成ガウス混合モデルに基づく二項線形分類について検討する。 後者の分類誤差に関する新しい非漸近境界を導出する。 この結果は, 確率が一定である雑音モデルに拡張される。
  論文  参考訳（メタデータ） (2020-11-18T07:59:55Z)
• Classifier-independent Lower-Bounds for Adversarial Robustness [13.247278149124757]
  理論的には、テストタイムの逆数と雑音の分類例に対するロバスト性の限界を解析する。 最適輸送理論を用いて、与えられた分類問題に対して分類器ができるベイズ最適誤差の変分式を導出する。 一般的な距離ベース攻撃の場合,ベイズ最適誤差に対して明らかな下限を導出する。
  論文  参考訳（メタデータ） (2020-06-17T16:46:39Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。