論文の概要: Causal Discovery on Higher-Order Interactions
- arxiv url: http://arxiv.org/abs/2511.14206v1
- Date: Tue, 18 Nov 2025 07:35:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:52.987199
- Title: Causal Discovery on Higher-Order Interactions
- Title（参考訳）: 高次相互作用の因果発見
- Authors: Alessio Zanga, Marco Scutari, Fabio Stella,
- Abstract要約: 因果発見は、与えられた変数のセット間の因果関係を表すDAGを学ぶために専門家が提供した知識とデータを組み合わせる。
データが不足している場合、バッグングは、ブートストラップされたDAGを集約して得られる平均DAGの信頼度を測定するのに使用される。
我々は高次構造に基づく新しい理論フレームワークを導入し、新しいDAG集約アルゴリズムについて述べる。
- 参考スコア（独自算出の注目度）: 2.0697105762666324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal discovery combines data with knowledge provided by experts to learn the DAG representing the causal relationships between a given set of variables. When data are scarce, bagging is used to measure our confidence in an average DAG obtained by aggregating bootstrapped DAGs. However, the aggregation step has received little attention from the specialized literature: the average DAG is constructed using only the confidence in the individual edges of the bootstrapped DAGs, thus disregarding complex higher-order edge structures. In this paper, we introduce a novel theoretical framework based on higher-order structures and describe a new DAG aggregation algorithm. We perform a simulation study, discussing the advantages and limitations of the proposed approach. Our proposal is both computationally efficient and effective, outperforming state-of-the-art solutions, especially in low sample size regimes and under high dimensionality settings.
- Abstract（参考訳）: 因果発見は、与えられた変数のセット間の因果関係を表すDAGを学ぶために専門家が提供した知識とデータを組み合わせる。
データが不足している場合、バッグングは、ブートストラップされたDAGを集約して得られる平均DAGの信頼度を測定するのに使用される。
平均的なDAGは、ブートストラップされたDAGの個々のエッジに対する信頼のみを用いて構築され、複雑な高次エッジ構造を無視している。
本稿では,高次構造に基づく新しい理論的枠組みを導入し,新しいDAG集約アルゴリズムについて述べる。
提案手法の利点と限界について議論し,シミュレーション研究を行う。
提案手法は,特に低サンプルサイズおよび高次元条件下での高効率,高効率,高効率,高効率のソリューションである。
関連論文リスト
- Analytic DAG Constraints for Differentiable DAG Learning [83.93320658222717]
解析関数とDAG制約の関連性を確立するための理論を開発する。
集合 $f(x) = c_0 + sum_i=1inftyc_ixi | forall i > 0, c_i > 0; r = lim_irightarrow inftyc_i/c_i+1 > 0$ から得られる解析関数は、有効な DAG 制約を定式化するために用いられる。
論文 参考訳（メタデータ） (2025-03-24T23:51:35Z) - Causal Discovery via Bayesian Optimization [14.698661810621326]
本稿ではDrBO (DAG recovery via Bayesian Optimization) を提案する。
DrBOは計算効率が良く、精度の高いDAGを既存の最先端手法よりも少ない試行時間で見つけることができる。
論文 参考訳（メタデータ） (2025-01-25T00:19:38Z) - 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) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳（メタデータ） (2022-01-28T09:30:32Z) - BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。
近年の進歩により、観測データからDAGの有効最大点推定が可能となった。
線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
論文 参考訳（メタデータ） (2021-12-06T03:35:21Z) - On the Role of Sparsity and DAG Constraints for Learning Linear DAGs [16.97675762810828]
ガウス系および非ガウス系におけるDAGモデルの学習におけるスパーシリティとDAG制約の役割について検討した。
確率に基づくスコア関数を提案し, 基本真理DAGと同等のDAGを学習するためには, ソフト・スパシティとDAG制約を適用するだけでよいことを示す。
論文 参考訳（メタデータ） (2020-06-17T23:43:23Z)
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。