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

• arxiv url: http://arxiv.org/abs/2510.04263v3
• Date: Wed, 05 Nov 2025 11:13:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 13:56:26.132905
• 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, Peter Spirtes,
• 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,GFCI(Greedy Fast Causal Inference)の変種であるBOSS-FCIとGRaSP-FCIを紹介する。 第2に FCI Targeted-Testing (FCIT) を開発した。
• 参考スコア（独自算出の注目度）: 7.021824046220355
• 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 performs exhaustive conditional independence tests across many subsets, often leading to spurious independences, missing or extra edges, and unreliable orientations. We present a family of score-guided mixed-strategy causal search algorithms that extend this framework. First, we introduce BOSS-FCI and GRaSP-FCI, variants of GFCI (Greedy Fast Causal Inference) that substitute BOSS (Best Order Score Search) or GRaSP (Greedy Relaxations of Sparsest Permutation) for FGES (Fast Greedy Equivalence Search), preserving correctness while trading off scalability and conservativeness. Second, we develop FCI Targeted-Testing (FCIT), a novel hybrid method that replaces exhaustive testing with targeted, score-informed tests guided by BOSS. FCIT guarantees well-formed PAGs and achieves higher precision and efficiency across sample sizes. Finally, we propose a lightweight heuristic, LV-Dumb (Latent Variable "Dumb"), which returns the PAG of the BOSS DAG (Directed Acyclic Graph). Though not strictly sound for latent confounding, LV-Dumb often matches FCIT's accuracy while running substantially faster. Simulations and real-data analyses show that BOSS-FCI and GRaSP-FCI provide robust baselines, FCIT yields the best balance of precision and reliability, and LV-Dumb offers a fast, near-equivalent alternative. Together, these methods demonstrate that targeted and score-guided strategies can dramatically improve the efficiency and correctness of 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、多くのサブセットにわたる完全な条件付き独立テストを実行する。 本稿では,このフレームワークを拡張した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案する。 まず、FGES(Fast Greedy Equivalence Search)のBOSS(Best Order Score Search)やGRaSP(Greedy Relaxations of Sparsest Permutation)に代えてGFCI(Greedy Fast Causal Inference)を導入し、スケーラビリティと保守性をトレードオフしながら正確性を維持する。 第2に, BOSS が指導する目標, スコアインフォームドテストに, 徹底的なテストを置き換える新しいハイブリッド手法 FCI Targeted-Testing (FCIT) を開発した。 FCITはよく形成されたPAGを保証し、サンプルサイズで高い精度と効率を達成する。 最後に、BOSS DAG(Directed Acyclic Graph)のPAGを返す軽量ヒューリスティックなLV-Dumb(Latent Variable Dumb)を提案する。 LV-DumbはしばしばFCITの精度に匹敵するが、より高速に動作している。 シミュレーションと実データ分析により、BOSS-FCIとGRaSP-FCIは堅牢なベースラインを提供し、FCITは精度と信頼性のバランスが良く、LV-Dumbは高速でほぼ等価な代替手段を提供することが示された。 これらの方法では、目標と得点誘導戦略が潜在変数因果発見の効率と正しさを劇的に向上させることを示した。

関連論文リスト

• Learning Causal Structure of Time Series using Best Order Score Search [3.3588764487158804]
  観測データから学ぶ因果構造は多くの科学的・政策的な領域の中心である。 多くの分野に共通する時系列設定は、時間的依存のためにいくつかの課題を引き起こす。 最近提案されたBest Order Score Search(BOSS)の時系列拡張であるTS-BOSSを紹介する。
  論文  参考訳（メタデータ） (2026-03-05T16:54:20Z)
• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• Efficient Differentiable Causal Discovery via Reliable Super-Structure Learning [51.20606796019663]
  本稿では,新たな因果発見パイプラインであるALVGLを提案する。 ALVGLはスパース分解とローランク分解を用いてデータの精度行列を学習する。 ALVGLは最先端の精度を達成するだけでなく、最適化効率を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-01-09T02:18:59Z)
• Enhanced-FQL($λ$), an Efficient and Interpretable RL with novel Fuzzy Eligibility Traces and Segmented Experience Replay [0.0]
  Enhanced-FQL($$)は、n-step fuzzy TDやfuzzyA($$)ベースラインと比較して、優れたサンプル効率と分散の低減を実現している。 フレームワーク固有の解釈可能性と計算効率と理論的収束保証が組み合わさって、安全クリティカルなアプリケーションに適している。
  論文  参考訳（メタデータ） (2026-01-07T20:59:18Z)
• HiFiNet: Hierarchical Fault Identification in Wireless Sensor Networks via Edge-Based Classification and Graph Aggregation [11.108171977551619]
  HiFiNetは、無線ネットワークのための階層的な障害識別フレームワークである。 局所時間パターンとネットワーク全体の空間依存性の両方をキャプチャすることで、より正確な予測を行う。 既存の手法の精度、F1スコア、精度を著しく上回っている。
  論文  参考訳（メタデータ） (2025-11-06T16:15:19Z)
• CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
  本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。 タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。 我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
  論文  参考訳（メタデータ） (2025-11-01T04:37:01Z)
• 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)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• 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)
• Fast Scalable and Accurate Discovery of DAGs Using the Best Order Score Search and Grow-Shrink Trees [2.667401221288548]
  有向非巡回グラフ(DAG)学習のためのベストオーダースコアサーチ(BOSS)とグロースシンクツリー(GST) 有向非巡回グラフ(DAG)を学習するためのベストオーダースコアサーチ(BOSS)とGST(Grow-Shrink Tree)を導入する。
  論文  参考訳（メタデータ） (2023-10-26T10:03:12Z)
• 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)
• Feature Quantization Improves GAN Training [126.02828112121874]
  識別器の特徴量子化(FQ)は、真と偽のデータの両方を共有離散空間に埋め込む。 本手法は,既存のGANモデルに容易に接続でき,訓練における計算オーバーヘッドがほとんどない。
  論文  参考訳（メタデータ） (2020-04-05T04:06:50Z)
• 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。