論文の概要: Embracing Discrete Search: A Reasonable Approach to Causal Structure Learning

• arxiv url: http://arxiv.org/abs/2510.04970v1
• Date: Mon, 06 Oct 2025 16:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.971539
• Title: Embracing Discrete Search: A Reasonable Approach to Causal Structure Learning
• Title（参考訳）: 離散探索の導入:因果構造学習への理にかなうアプローチ
• Authors: Marcel Wienöbst, Leonard Henckel, Sebastian Weichwald,
• Abstract要約: 本稿では,線形モデルに対するスコアベース因果探索アルゴリズムFLOPを提案する。 高速な親選択と反復的なColeskyベースのスコア更新を組み合わせ、以前のアルゴリズムよりも実行時間を短縮する。 結果として得られた構造は、ベンチマーク全体で非常に正確であり、標準設定ではほぼ完全なリカバリである。
• 参考スコア（独自算出の注目度）: 4.838245844232486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present FLOP (Fast Learning of Order and Parents), a score-based causal discovery algorithm for linear models. It pairs fast parent selection with iterative Cholesky-based score updates, cutting run-times over prior algorithms. This makes it feasible to fully embrace discrete search, enabling iterated local search with principled order initialization to find graphs with scores at or close to the global optimum. The resulting structures are highly accurate across benchmarks, with near-perfect recovery in standard settings. This performance calls for revisiting discrete search over graphs as a reasonable approach to causal discovery.
• Abstract（参考訳）: 線形モデルに対するスコアに基づく因果探索アルゴリズムFLOP(Fast Learning of Order and Parents)を提案する。 高速な親選択と反復的なColeskyベースのスコア更新を組み合わせ、以前のアルゴリズムよりも実行時間を短縮する。 これにより、離散探索を完全に受け入れることが可能となり、原理的順序初期化による反復ローカルサーチにより、グローバルな最適値に近いスコアを持つグラフを見つけることができる。 結果として得られた構造は、ベンチマーク全体で非常に正確であり、標準設定ではほぼ完全なリカバリである。 このパフォーマンスは、因果発見に対する合理的なアプローチとして、グラフ上の離散探索を再考することを要求する。

関連論文リスト

• Score-matching-based Structure Learning for Temporal Data on Networks [17.166362605356074]
  因果発見は経験的データと背景知識から因果関係を確立するための重要な第一歩である。 現在のスコアマッチングベースのアルゴリズムは、主に独立および同一に分散された(d.d.)データを分析するために設計されている。 我々はDAGの葉ノードのための新しい親フィンディングサブルーチンを開発し、プロセスの最も時間を要する部分である刈り込みステップを著しく加速した。
  論文  参考訳（メタデータ） (2024-12-10T12:36:35Z)
• A Theoretical Analysis Of Nearest Neighbor Search On Approximate Near Neighbor Graph [51.880164098926166]
  グラフベースのアルゴリズムは、近隣探索(NN-Search)問題において最先端の性能を示す。 グラフベースのNN-Searchアルゴリズムには実践と理論のギャップがある。 低次元および高密度ベクトルに対する ANN-Graph 上の欲求探索による NN-Search の解法を理論的に保証する。
  論文  参考訳（メタデータ） (2023-03-10T21:18:34Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Score matching enables causal discovery of nonlinear additive noise models [63.93669924730725]
  次世代のスケーラブル因果発見手法の設計方法について述べる。 本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T21:34:46Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• 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)
• Effective and efficient structure learning with pruning and model averaging strategies [9.023722579074734]
  本稿では,2つの新しい手法と丘登り探索を組み合わせたBN構造学習アルゴリズムについて述べる。 アルゴリズムは探索空間グラフをプルーニングすることから始まり、プルーニング戦略をプルーニング戦略のアグレッシブバージョンと見なすことができる。 そして、ヒルクライミング探索プロセスで平均化を行い、目的関数を最大化する近隣グラフに移動する。
  論文  参考訳（メタデータ） (2021-12-01T10:35:34Z)
• Mathematical Models for Local Sensing Hashes [7.400475825464313]
  近似インデックス構造は,クラスタリングと外乱検出の近傍探索を高速化する好機であることを示す。 局所センシングハッシュの特性を数学的にモデル化する方向を示す。
  論文  参考訳（メタデータ） (2021-11-16T10:40:55Z)
• Towards a Model for LSH [7.400475825464313]
  クラスタリングと外れ値検出アルゴリズムは、ますます時間がかかりつつある。 近似インデックス構造がクラスタリングと外乱検出の近傍探索を加速する好機であることを示す。
  論文  参考訳（メタデータ） (2021-05-11T15:39:55Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)

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。