論文の概要: Higher-Order Causal Structure Learning with Additive Models

• arxiv url: http://arxiv.org/abs/2511.03831v1
• Date: Wed, 05 Nov 2025 19:55:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.205539
• Title: Higher-Order Causal Structure Learning with Additive Models
• Title（参考訳）: 付加モデルを用いた高次因果構造学習
• Authors: James Enouen, Yujia Zheng, Ignavier Ng, Yan Liu, Kun Zhang,
• Abstract要約: 因果加法モデル(CAM)を高次相互作用を持つ加法モデルに拡張することに注力する。 より複雑なハイパーグラフ構造を学ぶことが、なぜより経験的な結果をもたらすのかについての洞察を提供する。 特に、CAMのようなより制限的な仮定は、より容易に学習できる超DAGとより良い有限標本複雑性に対応する。
• 参考スコア（独自算出の注目度）: 26.31547965994361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal structure learning has long been the central task of inferring causal insights from data. Despite the abundance of real-world processes exhibiting higher-order mechanisms, however, an explicit treatment of interactions in causal discovery has received little attention. In this work, we focus on extending the causal additive model (CAM) to additive models with higher-order interactions. This second level of modularity we introduce to the structure learning problem is most easily represented by a directed acyclic hypergraph which extends the DAG. We introduce the necessary definitions and theoretical tools to handle the novel structure we introduce and then provide identifiability results for the hyper DAG, extending the typical Markov equivalence classes. We next provide insights into why learning the more complex hypergraph structure may actually lead to better empirical results. In particular, more restrictive assumptions like CAM correspond to easier-to-learn hyper DAGs and better finite sample complexity. We finally develop an extension of the greedy CAM algorithm which can handle the more complex hyper DAG search space and demonstrate its empirical usefulness in synthetic experiments.
• Abstract（参考訳）: 因果構造学習は、長い間、データから因果的洞察を推測する中心的なタスクであった。 しかし、高次機構を示す現実世界のプロセスが豊富にあるにもかかわらず、因果発見における相互作用の明示的な処理はほとんど注目されていない。 本研究では, 因果加法モデル(CAM)を高次相互作用をもつ加法モデルに拡張することに焦点を当てる。 構造学習問題に導入するこの2段階のモジュラリティは、DAGを拡張する有向非巡回ハイパーグラフにより最も容易に表現できる。 我々は、導入する新しい構造を扱うために必要な定義と理論ツールを導入し、次に超DAGの識別可能性結果を提供し、典型的なマルコフ同値クラスを拡張した。 次に、より複雑なハイパーグラフ構造を学ぶことが、なぜより経験的な結果をもたらすのかについての洞察を提供する。 特に、CAMのようなより制限的な仮定は、より容易に学習できる超DAGとより良い有限標本複雑性に対応する。 我々は最終的に、より複雑な超DAG探索空間を処理し、合成実験においてその経験的有用性を実証できるgreedy CAMアルゴリズムの拡張を開発した。

関連論文リスト

• Broad Spectrum Structure Discovery in Large-Scale Higher-Order Networks [1.7273380623090848]
  本稿では,大規模ハイパーグラフにおいて,メソスケールの広いスペクトルを効率的に表現し,発見する確率モデルについて紹介する。 低ランク表現を用いたクラス間の潜時相互作用による観測ノードの相互作用をモデル化することにより、我々はリッチな構造パターンを抽出する。 提案モデルは,最先端手法によるリンク予測を改善し,多様な実世界のシステムにおける解釈可能な構造を発見する。
  論文  参考訳（メタデータ） (2025-05-27T20:34:58Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• Heteroscedastic Causal Structure Learning [2.566492438263125]
  ガウス雑音下での不連続因果構造学習問題に取り組む。 因果的機構の正常性を利用して、有効な因果的順序付けを復元することができる。 その結果,単純な因果構造学習アルゴリズムHOST (Heteroscedastic causal STructure Learning) が得られた。
  論文  参考訳（メタデータ） (2023-07-16T07:53:16Z)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)
• Causality Learning With Wasserstein Generative Adversarial Networks [2.492300648514129]
  DAG-WGANという名前のモデルは、ワッサーシュタインに基づく対向損失とオートエンコーダアーキテクチャにおける非巡回性制約を組み合わせたものである。 データ生成能力を改善しながら、因果構造を同時に学習する。 本稿では,DAG-WGAN と Wsserstein 計量を含まない他のモデルとの比較を行い,その因果構造学習への寄与を明らかにする。
  論文  参考訳（メタデータ） (2022-06-03T10:45:47Z)
• 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)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• Parameterized Hypercomplex Graph Neural Networks for Graph Classification [1.1852406625172216]
  我々は超複雑特徴変換の特性を利用するグラフニューラルネットワークを開発した。 特に、提案したモデルのクラスでは、代数自身を特定する乗法則は、トレーニング中にデータから推測される。 提案するハイパーコンプレックスgnnをいくつかのオープングラフベンチマークデータセット上でテストし,そのモデルが最先端の性能に達することを示す。
  論文  参考訳（メタデータ） (2021-03-30T18:01:06Z)

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。