論文の概要: An Expectation-Maximization Algorithm for Domain Adaptation in Gaussian Causal Models

• arxiv url: http://arxiv.org/abs/2601.03459v1
• Date: Tue, 06 Jan 2026 23:07:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.086848
• Title: An Expectation-Maximization Algorithm for Domain Adaptation in Gaussian Causal Models
• Title（参考訳）: ガウス因果モデルにおける領域適応に対する期待最大化アルゴリズム
• Authors: Mohammad Ali Javidian,
• Abstract要約: 本研究では、シフト配置領域において、系統的に欠落している指定されたターゲット変数を命令する問題について検討する。 DAG構造を通してソースとターゲットデータを組み合わせた統一EMベースのフレームワークを提案する。 合成セブンノードSEM,64ノードMAGIC-IRRI遺伝子ネットワーク,およびサックスタンパク質シグナリングデータの実験において,提案したDAG対応1次EMアルゴリズムは目標計算精度を向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of imputing a designated target variable that is systematically missing in a shifted deployment domain, when a Gaussian causal DAG is available from a fully observed source domain. We propose a unified EM-based framework that combines source and target data through the DAG structure to transfer information from observed variables to the missing target. On the methodological side, we formulate a population EM operator in the DAG parameter space and introduce a first-order (gradient) EM update that replaces the costly generalized least-squares M-step with a single projected gradient step. Under standard local strong-concavity and smoothness assumptions and a BWY-style \cite{Balakrishnan2017EM} gradient-stability (bounded missing-information) condition, we show that this first-order EM operator is locally contractive around the true target parameters, yielding geometric convergence and finite-sample guarantees on parameter error and the induced target-imputation error in Gaussian SEMs under covariate shift and local mechanism shifts. Algorithmically, we exploit the known causal DAG to freeze source-invariant mechanisms and re-estimate only those conditional distributions directly affected by the shift, making the procedure scalable to higher-dimensional models. In experiments on a synthetic seven-node SEM, the 64-node MAGIC-IRRI genetic network, and the Sachs protein-signaling data, the proposed DAG-aware first-order EM algorithm improves target imputation accuracy over a fit-on-source Bayesian network and a Kiiveri-style EM baseline, with the largest gains under pronounced domain shift.
• Abstract（参考訳）: 完全に観測されたソースドメインからガウス因果DAGが利用できる場合、シフトしたデプロイメントドメインで体系的に欠落している指定されたターゲット変数を命令する問題について検討する。 本稿では,DAG構造を介してソースとターゲットデータを組み合わせた統合EMベースのフレームワークを提案する。 手法面では,DAGパラメータ空間内の集団EM演算子を定式化し,コストのかかる一般化最小二乗Mステップを1つの射影勾配ステップに置き換える1次(次)EM更新を導入する。 この一階EM演算子は、正のターゲットパラメータの周囲に局所的に収縮し、幾何収束と有限サンプルがパラメータ誤差およびガウスSEMにおける共変量シフトおよび局所メカニズムシフトによる誘導的目標入出力誤差を保証していることを示す。 アルゴリズムでは、既知の因果DAGを利用して、ソース不変機構を凍結し、シフトの影響を直接受けている条件分布のみを再推定し、高次元モデルにスケーラブルにする。 合成セブンノードSEM、64ノードのMAGIC-IRRI遺伝子ネットワーク、およびサックスタンパク質シグナリングデータの実験において、提案したDAG対応一階EMアルゴリズムは、適合したソースベイズネットワークとキエリ型EMベースライン上での目標計算精度を向上し、ドメインシフトが顕著である。

関連論文リスト

• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Global Convergence of Gradient EM for Over-Parameterized Gaussian Mixtures [53.51230405648361]
  勾配EMの力学を考察し, テンソル分解を用いて幾何的景観を特徴付ける。 これは、m=2$という特別な場合を超えるEMや勾配EMに対する最初の大域収束と回復の結果である。
  論文  参考訳（メタデータ） (2025-06-06T23:32:38Z)
• SPDIM: Source-Free Unsupervised Conditional and Label Shift Adaptation in EEG [6.002670452103349]
  非定常脳波(EEG)は、領域間での分布変化(例えば、日と被験者)をもたらす 対象ドメインに対するラベル付きキャリブレーションデータがない場合、問題はソースフリーな教師なしドメイン適応(SFUDA)問題である。 本稿では,ラベルシフトを含む特定の分布シフトの下でのSFUDA問題に対する幾何学的深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-26T21:27:53Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
  最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。 本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
  論文  参考訳（メタデータ） (2022-12-21T18:30:22Z)
• A hybrid MGA-MSGD ANN training approach for approximate solution of linear elliptic PDEs [0.0]
  MGA-MSGD(Modified Genetic-Multilevel Gradient Descent)トレーニングアルゴリズムを導入しました。 ANNによるPDEによって記述された3次元機械的問題の精度と効率を大幅に改善する。
  論文  参考訳（メタデータ） (2020-12-18T10:59:07Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Learning Domain-invariant Graph for Adaptive Semi-supervised Domain Adaptation with Few Labeled Source Samples [65.55521019202557]
  ドメイン適応は、ソースドメインからモデルを一般化して、関連するが異なるターゲットドメインのタスクに取り組むことを目的としています。 従来のドメイン適応アルゴリズムは、事前知識として扱われる十分なラベル付きデータがソースドメインで利用できると仮定する。 少数のラベル付きソースサンプルを用いたドメイン適応のためのドメイン不変グラフ学習(DGL)手法を提案する。
  論文  参考訳（メタデータ） (2020-08-21T08:13:25Z)

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。