論文の概要: Efficient Latent Variable Causal Discovery: Combining Score Search and Targeted Testing

• arxiv url: http://arxiv.org/abs/2510.04263v1
• Date: Sun, 05 Oct 2025 16:09:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.547065
• Title: Efficient Latent Variable Causal Discovery: Combining Score Search and Targeted Testing
• Title（参考訳）: 効率的な潜伏変数因果探索:スコア検索とターゲットテストを組み合わせる
• Authors: Joseph Ramsey, Bryan Andrews,
• Abstract要約: スコア誘導型混合戦略因果探索アルゴリズムのファミリーを提示する。 まず,BOSS-FCIとGRaSP-FCIを導入する。 第2にFCIターゲットテスト(FCIT)を開発した。これはBOSSによって誘導されるターゲットテストで全サブセットテストを完全に置き換えることで、これらの変種を改善する新しい混合戦略手法である。 最後に,LV-Dumb(BOSS-PODとしても知られる)を提案する。
• 参考スコア（独自算出の注目度）: 1.228962043922484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning causal structure from observational data is especially challenging when latent variables or selection bias are present. The Fast Causal Inference (FCI) algorithm addresses this setting but often performs exhaustive conditional independence tests across many subsets, leading to spurious independence claims, extra or missing edges, and unreliable orientations. We present a family of score-guided mixed-strategy causal search algorithms that build on this tradition. First, we introduce BOSS-FCI and GRaSP-FCI, straightforward variants of GFCI that substitute BOSS or GRaSP for FGES, thereby retaining correctness while incurring different scalability tradeoffs. Second, we develop FCI Targeted-testing (FCIT), a novel mixed-strategy method that improves upon these variants by replacing exhaustive all-subsets testing with targeted tests guided by BOSS, yielding well-formed PAGs with higher precision and efficiency. Finally, we propose a simple heuristic, LV-Dumb (also known as BOSS-POD), which bypasses latent-variable-specific reasoning and directly returns the PAG of the BOSS DAG. Although not strictly correct in the FCI sense, it scales better and often achieves superior accuracy in practice. Simulations and real-data analyses demonstrate that BOSS-FCI and GRaSP-FCI provide sound baselines, FCIT improves both efficiency and reliability, and LV-Dumb offers a practical heuristic with strong empirical performance. Together, these method highlight the value of score-guided and targeted strategies for scalable latent-variable causal discovery.
• Abstract（参考訳）: 観測データから因果構造を学ぶことは、潜伏変数や選択バイアスが存在する場合、特に困難である。 Fast Causal Inference (FCI)アルゴリズムはこの設定に対処するが、多くの場合、多くのサブセットで完全な条件付き独立テストを実行する。 我々は、この伝統に基づいて、スコア誘導型混合戦略因果探索アルゴリズムのファミリーを提示する。 まず,BOSS-FCI と GRaSP-FCI を導入し,FGES に BOSS や GRaSP を置き換えた GFCI の簡易な変種である。 第2に FCI Targeted-testing (FCIT) は, BOSS が誘導する全サブセット試験を対象とする全サブセットテストに置き換え, 精度と効率を向上した良好なPAGを生成することで, これらの変種を改良する新しい混合ストラテジー手法である。 最後に,LV-Dumb (BOSS-POD) という単純なヒューリスティックな手法を提案する。 FCIの意味では厳密には正しくないが、スケールが良く、実際は精度が優れていることが多い。 BOSS-FCIとGRaSP-FCIはサウンドベースラインを提供し、FCITは効率と信頼性を改善し、LV-Dumbは強力な経験的性能を持つ実用的なヒューリスティックを提供する。 これらの手法は、スケーラブルな潜伏変数因果発見のためのスコア誘導および目標戦略の価値を強調している。

関連論文リスト

• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• An Advanced Convolutional Neural Network for Bearing Fault Diagnosis under Limited Data [5.351573093028336]
  本稿では,限られたデータの下で故障診断を行うための高度なデータ拡張とコントラッシブ・フーリエ・コンボリューション・フレームワーク(DAC-FCF)を提案する。 DAC-FCFは、ベースラインを最大32%上回る、大幅な改善を達成している。
  論文  参考訳（メタデータ） (2025-09-14T02:41:48Z)
• Taming Domain Shift in Multi-source CT-Scan Classification via Input-Space Standardization [5.501560446935927]
  SSFL++とKDSパイプラインは、ソース間の分散を減らすために空間的および時間的標準化を行う。 本研究では、この入力空間の標準化が、局所的な識別可能性とソース間の一般化のトレードオフを管理する方法について分析する。
  論文  参考訳（メタデータ） (2025-07-26T08:23:43Z)
• dcFCI: Robust Causal Discovery Under Latent Confounding, Unfaithfulness, and Mixed Data [1.9797215742507548]
  本稿では,最初の非パラメトリックスコアを導入し,部分アンセストラルグラフと観測データとの整合性を評価する。 次にデータ互換のFast Causal Inference (dcFCI)を提案する。
  論文  参考訳（メタデータ） (2025-05-10T07:05:19Z)
• Federated Learning with Anomaly Detection via Gradient and Reconstruction Analysis [2.28438857884398]
  自動エンコーダ駆動のデータ再構成と勾配解析を相乗化して、前例のない精度で有毒データを検出・緩和する新しいフレームワークを提案する。 本手法は, 最小偽陽性率を維持しつつ, 異常検出精度を15%向上させる。 私たちの仕事は、分散学習のセキュリティにおける将来の進歩の道を開くものです。
  論文  参考訳（メタデータ） (2024-03-15T03:54:45Z)
• Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal Approach [51.012396632595554]
  不変表現学習(IRL)は、不変因果的特徴から環境から切り離されたラベルへの予測を促進する。 最近の理論的結果は、IRLによって回復されたいくつかの因果的特徴は、訓練環境ではドメイン不変のふりをするが、目に見えない領域では失敗する。 本研究では,RS-SCMに関する条件付き相互情報に基づく手法を開発し,その効果を巧みに補正する。
  論文  参考訳（メタデータ） (2023-12-15T12:58:05Z)
• 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)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Source-Free Progressive Graph Learning for Open-Set Domain Adaptation [44.63301903324783]
  オープンセットドメイン適応(OSDA)は多くの視覚認識タスクで注目されている。 目的仮説空間を共有空間と未知の部分空間に分解するプログレッシブグラフ学習(PGL)フレームワークを提案する。 また、ソースとターゲットドメインの共存を前提としない、より現実的なオープンソースフリーなオープンセットドメイン適応(SF-OSDA)に取り組みます。
  論文  参考訳（メタデータ） (2022-02-13T01:19:41Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
  量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。 上記のプロパティをすべて享受する既存のメソッドはありません。 本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2020-02-25T15:12:15Z)

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。