論文の概要: Cluster-Dags as Powerful Background Knowledge For Causal Discovery

• arxiv url: http://arxiv.org/abs/2512.10032v1
• Date: Wed, 10 Dec 2025 19:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.027878
• Title: Cluster-Dags as Powerful Background Knowledge For Causal Discovery
• Title（参考訳）: 因果発見のための強力なバックグラウンド知識としてのクラスタタグ
• Authors: Jan Marco Ruiz de Vargas, Kirtan Padh, Niki Kilbertus,
• Abstract要約: 因果発見は、因果関係を簡潔に記述したデータからグラフを復元することを目的としている。 我々は、因果発見を温めるための事前知識フレームワークとして、Cluster-DAGを利用する。
• 参考スコア（独自算出の注目度）: 7.998429690845518
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding cause-effect relationships is of key importance in science. Causal discovery aims to recover a graph from data that succinctly describes these cause-effect relationships. However, current methods face several challenges, especially when dealing with high-dimensional data and complex dependencies. Incorporating prior knowledge about the system can aid causal discovery. In this work, we leverage Cluster-DAGs as a prior knowledge framework to warm-start causal discovery. We show that Cluster-DAGs offer greater flexibility than existing approaches based on tiered background knowledge and introduce two modified constraint-based algorithms, Cluster-PC and Cluster-FCI, for causal discovery in the fully and partially observed setting, respectively. Empirical evaluation on simulated data demonstrates that Cluster-PC and Cluster-FCI outperform their respective baselines without prior knowledge.
• Abstract（参考訳）: 因果関係の発見は科学において重要である。 因果発見は、これらの因果関係を簡潔に記述したデータからグラフを復元することを目的としている。 しかし、特に高次元のデータと複雑な依存関係を扱う場合、現在の手法はいくつかの課題に直面している。 システムに関する事前の知識を組み込むことは因果発見に役立つ。 本研究では,クラスタDAGを事前知識フレームワークとして利用して因果発見を温める。 本稿では,クラスタ-DAGが既存の背景知識に基づくアプローチよりも柔軟性が高く,クラスタ-PCとクラスタ-FCIという2つの制約ベースのアルゴリズムを導入して,完全かつ部分的に観察された環境における因果発見を実現していることを示す。 シミュレーションデータに対する実証的な評価は、Cluster-PCとCluster-FCIが、事前の知識なしにそれぞれのベースラインを上回っていることを示している。

関連論文リスト

• Retrieving Classes of Causal Orders with Inconsistent Knowledge Bases [0.8192907805418583]
  大規模言語モデル(LLM)は、テキストベースのメタデータから因果的知識を抽出するための有望な代替手段として登場した。 LLMは信頼できない傾向があり、幻覚を起こす傾向があり、その限界を考慮に入れた戦略を必要とする。 本稿では,非循環型トーナメントのクラスを導出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:37:51Z)
• Regularized Multi-LLMs Collaboration for Enhanced Score-based Causal Discovery [13.654021365091305]
  我々は,大言語モデル(LLM)を用いて因果発見アプローチを強化する可能性を探る。 本稿では,1つのLLMだけでなく複数のLLMのキャパシティを活用して発見プロセスを増強する汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T01:56:21Z)
• Weakly-supervised causal discovery based on fuzzy knowledge and complex data complementarity [4.637772575470497]
  本稿では,KEELというファジィ知識とデータ協調型因果発見手法を提案する。 KEELはファジィ因果知識スキーマを採用し、様々な種類のファジィ知識をカプセル化し、制約の弱さに対応する。 因果発見の一般化と堅牢性、特に高次元および小サンプルシナリオにおいて強化することができる。
  論文  参考訳（メタデータ） (2024-05-14T15:39:22Z)
• Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
  我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。 大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• Contrastive Continual Multi-view Clustering with Filtered Structural Fusion [57.193645780552565]
  ビューが事前に収集されるアプリケーションでは、マルチビュークラスタリングが成功します。 データビューがシーケンシャルに収集されるシナリオ、すなわちリアルタイムデータを見落としている。 いくつかの方法が提案されているが、安定塑性ジレンマに閉じ込められている。 フィルタ構造融合を用いたコントラスト連続多視点クラスタリングを提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:18:29Z)
• CUTS+: High-dimensional Causal Discovery from Irregular Time-series [13.84185941100574]
  本稿では,Granger-Causality-based causal discovery method CUTSを用いたCUTS+を提案する。 CUTS+は多種多様な不規則サンプリングによる高次元データにおける因果発見性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-05-10T04:20:36Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)

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。