論文の概要: Ordering-based Causal Discovery via Generalized Score Matching
- arxiv url: http://arxiv.org/abs/2601.16249v1
- Date: Thu, 22 Jan 2026 18:08:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-26 14:27:27.363627
- Title: Ordering-based Causal Discovery via Generalized Score Matching
- Title（参考訳）: 一般化スコアマッチングによる順序付けに基づく因果探索
- Authors: Vy Vo, He Zhao, Trung Le, Edwin V. Bonilla, Dinh Phung,
- Abstract要約: 本稿では,因果発見のためのスコアマッチングフレームワークを拡張する。
我々は,観測された離散データから真の因果順序を正確に推定できることを実証した。
- 参考スコア（独自算出の注目度）: 25.127021127314695
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning DAG structures from purely observational data remains a long-standing challenge across scientific domains. An emerging line of research leverages the score of the data distribution to initially identify a topological order of the underlying DAG via leaf node detection and subsequently performs edge pruning for graph recovery. This paper extends the score matching framework for causal discovery, which is originally designated for continuous data, and introduces a novel leaf discriminant criterion based on the discrete score function. Through simulated and real-world experiments, we demonstrate that our theory enables accurate inference of true causal orders from observed discrete data and the identified ordering can significantly boost the accuracy of existing causal discovery baselines on nearly all of the settings.
- Abstract（参考訳）: 純粋な観測データからDAG構造を学習することは、科学領域における長年にわたる課題である。
新たな研究の行は、データ分布のスコアを利用して、葉ノード検出によって基礎となるDAGのトポロジ的順序を最初に識別し、その後、グラフ回復のためのエッジプルーニングを実行する。
本稿では, もともと連続データに指定されていた因果発見のためのスコアマッチングフレームワークを拡張し, 離散スコア関数に基づく新しいリーフ識別基準を提案する。
シミュレーションおよび実世界の実験により,本理論は観測された離散データから真の因果順序の正確な推定を可能にし,同定された順序付けにより,ほぼすべての設定において既存の因果発見基準線の精度を大幅に向上させることができることを示した。
関連論文リスト
- Coarsening Causal DAG Models [0.0]
本稿では,未知の介入対象を持つ介入データから抽象因果グラフを学習するための効率的で実証可能な一貫したアルゴリズムを提案する。
概念実証として、我々のアルゴリズムを既知の基底真理を持つ合成および実データに適用する。
論文 参考訳（メタデータ） (2026-01-15T15:56:20Z) - Causal Discovery with Mixed Latent Confounding via Precision Decomposition [0.0]
微分可能およびスコアベースDAG学習者は、グローバル潜伏効果を因果エッジと誤解釈することができる。
我々は,これらの役割を分離したモジュール型高精度パイプラインであるtextscDCL-DECORを提案する。
論文 参考訳（メタデータ） (2025-12-31T08:03:41Z) - Consistent DAG selection for Bayesian causal discovery under general error distributions [9.971549076128268]
変数集合の因果構造を学習する問題を考察する。
関連するエラーは独立であり、非ガウス的であることが許される。
真のデータ生成指向非巡回グラフ(DAG)構造を特定するためにベイズ階層モデルを提案する。
論文 参考訳（メタデータ） (2025-08-01T18:03:28Z) - 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) - Reinforcement Causal Structure Learning on Order Graph [18.344249064559087]
本稿では,RCL-OG(Reinforcement Causal Structure Learning on Order Graph)を提案する。
RCL-OGはまず、順序の後方分布を近似する新しい報酬機構を用いて強化学習を定義する。
異なる順序の後方確率を計算する。
論文 参考訳（メタデータ） (2022-11-22T10:29:25Z) - 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) - Sequential Learning of the Topological Ordering for the Linear
Non-Gaussian Acyclic Model with Parametric Noise [6.866717993664787]
我々はDAGの因果順序を推定するための新しい逐次的アプローチを開発する。
数千のノードを持つケースに対して,我々の手順がスケーラブルであることを示すための,広範な数値的証拠を提供する。
論文 参考訳（メタデータ） (2022-02-03T18:15:48Z) - 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) - 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。