Fugu-MT 論文翻訳(概要): GaussDetect-LiNGAM:Causal Direction Identification without Gaussianity test

論文の概要: GaussDetect-LiNGAM:Causal Direction Identification without Gaussianity test

arxiv url: http://arxiv.org/abs/2512.03428v1
Date: Wed, 03 Dec 2025 04:14:57 GMT
ステータス: 情報取得中
システム内更新日: 2025-12-04 12:17:21.586994
Title: GaussDetect-LiNGAM:Causal Direction Identification without Gaussianity test
Title（参考訳）: GaussDetect-LiNGAM:ガウス性検査を伴わない因果方向同定
Authors: Ziyi Ding, Xiao-Ping Zhang,
Abstract要約: GaussDetect-LiNGAMは、明示的なGaussianityテストの必要性を排除する。フォワードモデルノイズのガウス性は、逆モデルにおける回帰器と残留器の独立性と同値であることを示す。
参考スコア（独自算出の注目度）: 11.675718405602792
License:
Abstract: We propose GaussDetect-LiNGAM, a novel approach for bivariate causal discovery that eliminates the need for explicit Gaussianity tests by leveraging a fundamental equivalence between noise Gaussianity and residual independence in the reverse regression. Under the standard LiNGAM assumptions of linearity, acyclicity, and exogeneity, we prove that the Gaussianity of the forward-model noise is equivalent to the independence between the regressor and residual in the reverse model. This theoretical insight allows us to replace fragile and sample-sensitive Gaussianity tests with robust kernel-based independence tests. Experimental results validate the equivalence and demonstrate that GaussDetect-LiNGAM maintains high consistency across diverse noise types and sample sizes, while reducing the number of tests per decision (TPD). Our method enhances both the efficiency and practical applicability of causal inference, making LiNGAM more accessible and reliable in real-world scenarios.
Abstract（参考訳）: 本稿では,2変量因果探索のための新しい手法であるGaussDetect-LiNGAMを提案する。線形性、非巡回性、および均質性の標準LiNGAM仮定の下では、フォワードモデルノイズのガウス性は回帰器と逆モデルの間の独立性と同値であることを示す。この理論的な洞察により、脆弱でサンプルに敏感なガウス性テストを、堅牢なカーネルベースの独立性テストに置き換えることができます。実験結果から,GaussDetect-LiNGAMは様々なノイズタイプやサンプルサイズにまたがって高い整合性を保ちつつ,決定毎のテスト数(TPD)を減少させることを示した。提案手法は因果推論の効率性と実用性を両立させ,実世界のシナリオにおいてLiNGAMをよりアクセシブルで信頼性の高いものにする。

関連論文リスト

Likelihood Ratio Tests by Kernel Gaussian Embedding [0.0]
カーネル平均値とカーネル共分散埋め込みを組み合わせた新しいカーネルベース非パラメトリック2サンプルテストを提案する。本実験は, カーネルのRKHSにおける特異なガウス測度に対して, 結合埋め込みが異なる確率測度をどうマッピングするかを示す最近の結果に基づく。我々は、ガウス埋め込み間の相対エントロピーに基づく検定統計を、事実上の確率比で構築する。
論文参考訳（メタデータ） (2025-08-11T13:41:38Z)
On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
論文参考訳（メタデータ） (2024-10-19T02:36:11Z)
A Skewness-Based Criterion for Addressing Heteroscedastic Noise in Causal Discovery [47.36895591886043]
非定常対称雑音モデル(HSNMs)について検討する。データ分布のスコア(すなわちログ密度の勾配)の歪度に基づいて、HSNMを識別するための新しい基準を導入する。外部ノイズの抽出を必要とせずにヘテロ代用ノイズを処理するアルゴリズムであるSkewScoreを提案する。
論文参考訳（メタデータ） (2024-10-08T22:28:30Z)
On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。理論的にも経験的にも二重降下現象を観察する。
論文参考訳（メタデータ） (2021-10-13T17:47:39Z)
Detecting Label Noise via Leave-One-Out Cross Validation [0.0]
クリーンなサンプルと破損したサンプルの混合から実値のノイズラベルを同定し,修正するための簡単なアルゴリズムを提案する。独立分散を伴う付加的なガウス雑音項をそれぞれと観測されたラベルに関連付けるヘテロ代用ノイズモデルを用いる。提案手法は, 合成および実世界の科学データを用いた学習において, 劣化したサンプルを特定でき, より良い回帰モデルが得られることを示す。
論文参考訳（メタデータ） (2021-03-21T10:02:50Z)

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。