論文の概要: Differentiable Constraint-Based Causal Discovery

• arxiv url: http://arxiv.org/abs/2510.22031v1
• Date: Fri, 24 Oct 2025 21:28:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.745
• Title: Differentiable Constraint-Based Causal Discovery
• Title（参考訳）: 微分制約に基づく因果発見
• Authors: Jincheng Zhou, Mengbo Wang, Anqi He, Yumeng Zhou, Hessam Olya, Murat Kocaoglu, Bruno Ribeiro,
• Abstract要約: 観測データからの因果発見は人工知能の基本的な課題である。 既存の手法は、制約ベースのアプローチやスコアベースのアプローチに広く分類することができる。 本研究は,ソフトロジックを用いたパーコレーション理論により得られる,微分可能な$d$セパレーションスコアの開発について検討する。
• 参考スコア（独自算出の注目度）: 18.720260801912346
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Causal discovery from observational data is a fundamental task in artificial intelligence, with far-reaching implications for decision-making, predictions, and interventions. Despite significant advances, existing methods can be broadly categorized as constraint-based or score-based approaches. Constraint-based methods offer rigorous causal discovery but are often hindered by small sample sizes, while score-based methods provide flexible optimization but typically forgo explicit conditional independence testing. This work explores a third avenue: developing differentiable $d$-separation scores, obtained through a percolation theory using soft logic. This enables the implementation of a new type of causal discovery method: gradient-based optimization of conditional independence constraints. Empirical evaluations demonstrate the robust performance of our approach in low-sample regimes, surpassing traditional constraint-based and score-based baselines on a real-world dataset. Code and data of the proposed method are publicly available at https://github$.$com/PurdueMINDS/DAGPA.
• Abstract（参考訳）: 観測データからの因果発見は人工知能の基本的な課題であり、意思決定、予測、介入に大きく影響する。 大幅な進歩にもかかわらず、既存の手法は制約ベースまたはスコアベースアプローチとして広く分類することができる。 制約に基づく手法は厳密な因果探索を提供するが、しばしば小さなサンプルサイズによって妨げられる。 ソフトロジックを用いたパーコレーション理論により得られる微分可能な$d$-セパレーションスコアを開発する。 これにより、条件付き独立制約の勾配に基づく最適化という、新しいタイプの因果発見手法の実装が可能になる。 実世界のデータセット上での従来の制約ベースおよびスコアベースベースラインを超越した,低サンプリング体制における我々のアプローチの堅牢性を示す実証的な評価を行った。 提案されたメソッドのコードとデータはhttps://github$.com/で公開されている。 $com/PurdueMINDS/DAGPA

関連論文リスト

• Bounding Causal Effects and Counterfactuals [0.0]
  この論文は、複数の因果シナリオにまたがる有界アルゴリズムを体系的に比較することで、課題に対処する。 我々は、共通の評価フレームワーク内で最先端のメソッドを実装し、拡張し、統一する。 我々の実証研究は、離散データ生成プロセスと連続データ生成プロセスの両方を含む何千ものランダム化シミュレーションにまたがる。
  論文  参考訳（メタデータ） (2025-08-19T08:13:34Z)
• Covariate-dependent Graphical Model Estimation via Neural Networks with Statistical Guarantees [18.106204331704156]
  グラフ構造が共依存する設定を検討し、それを推定するためのディープニューラルネットワークベースのアプローチを検討する。 経験的リスク最小化フレームワークで一般的に用いられる仮定の下で,PAC保証による理論的結果が確立される。 提案手法の性能をいくつかの合成データ設定で評価し,既存手法と比較した。
  論文  参考訳（メタデータ） (2025-04-23T02:13:36Z)
• Source-Free Domain-Invariant Performance Prediction [68.39031800809553]
  本研究では,不確実性に基づく推定を主軸としたソースフリー手法を提案する。 オブジェクト認識データセットのベンチマーク実験により、既存のソースベースの手法は、限られたソースサンプルの可用性で不足していることが判明した。 提案手法は,現在の最先端のソースフリーおよびソースベース手法よりも優れており,ドメイン不変性能推定の有効性が確認されている。
  論文  参考訳（メタデータ） (2024-08-05T03:18:58Z)
• Model-Free Active Exploration in Reinforcement Learning [53.786439742572995]
  強化学習における探索問題について検討し,新しいモデルフリーソリューションを提案する。 我々の戦略は、最先端の探査アプローチよりも高速に効率的な政策を特定できる。
  論文  参考訳（メタデータ） (2024-06-30T19:00:49Z)
• Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm [14.980926991441345]
  介入データを含むデータセットは,データ分布に関する現実的な仮定の下で効果的に抽出可能であることを示す。 本稿では,観察的および介入的設定における各変数の限界分布の比較に依拠する,介入忠実性の新たな変種を紹介する。 また、多数の単一変数の介入を含むデータセットから因果順序を推測するアルゴリズムであるIntersortを導入する。
  論文  参考訳（メタデータ） (2024-05-28T16:07:17Z)
• MaxMatch: Semi-Supervised Learning with Worst-Case Consistency [149.03760479533855]
  半教師付き学習(SSL)のための最悪ケース整合正則化手法を提案する。 本稿では,ラベル付きトレーニングデータとラベル付きトレーニングデータとを別々に比較した経験的損失項からなるSSLの一般化について述べる。 この境界によって動機づけられたSSLの目的は、元のラベルのないサンプルと、その複数の拡張版との最大の矛盾を最小限に抑えるものである。
  論文  参考訳（メタデータ） (2022-09-26T12:04:49Z)
• Offline Policy Optimization with Eligible Actions [34.4530766779594]
  オフラインポリシーの最適化は多くの現実世界の意思決定問題に大きな影響を与える可能性がある。 重要度サンプリングとその変種は、オフラインポリシー評価において一般的に使用されるタイプの推定器である。 そこで本稿では, 州ごとの正規化制約によって過度に適合することを避けるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-01T19:18:15Z)
• Empirical Bayesian Approaches for Robust Constraint-based Causal Discovery under Insufficient Data [38.883810061897094]
  因果発見法は、多くの実世界のデータセットではそうではないかもしれないデータ飽和度を仮定する。 本研究では,制約に基づく因果探索手法の性能向上を図るため,ベイジアンによる頻繁な独立性試験を提案する。 実験の結果,SOTA法よりも精度と効率が向上した。
  論文  参考訳（メタデータ） (2022-06-16T21:08:49Z)
• False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
  本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。 SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-24T15:34:03Z)
• Leveraging Unlabeled Data for Entity-Relation Extraction through Probabilistic Constraint Satisfaction [54.06292969184476]
  シンボリックドメイン知識の存在下でのエンティティ関係抽出の問題を研究する。 本手法では,論理文の正確な意味を捉える意味的損失を用いる。 低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-20T00:16:29Z)

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。