論文の概要: Causal Discovery for Cross-Sectional Data Based on Super-Structure and Divide-and-Conquer

• arxiv url: http://arxiv.org/abs/2602.03914v1
• Date: Tue, 03 Feb 2026 16:18:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.224164
• Title: Causal Discovery for Cross-Sectional Data Based on Super-Structure and Divide-and-Conquer
• Title（参考訳）: 超構造と除算に基づく断面データの因果発見
• Authors: Wenyu Wang, Yaping Wan,
• Abstract要約: 本稿では,配当のアルゴリズム的利点を保ちながら,超構造構築の厳密な要件を緩和する新しい枠組みを提案する。 我々は、具体的な因果探索アルゴリズムでフレームワークをインスタンス化し、そのコンポーネントを合成データ上で厳格に評価する。 我々の結果は、初期の超構造に関する最小限の仮定の下でも、正確でスケーラブルな因果発見が達成可能であることを証明している。
• 参考スコア（独自算出の注目度）: 9.740161937852067
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper tackles a critical bottleneck in Super-Structure-based divide-and-conquer causal discovery: the high computational cost of constructing accurate Super-Structures--particularly when conditional independence (CI) tests are expensive and domain knowledge is unavailable. We propose a novel, lightweight framework that relaxes the strict requirements on Super-Structure construction while preserving the algorithmic benefits of divide-and-conquer. By integrating weakly constrained Super-Structures with efficient graph partitioning and merging strategies, our approach substantially lowers CI test overhead without sacrificing accuracy. We instantiate the framework in a concrete causal discovery algorithm and rigorously evaluate its components on synthetic data. Comprehensive experiments on Gaussian Bayesian networks, including magic-NIAB, ECOLI70, and magic-IRRI, demonstrate that our method matches or closely approximates the structural accuracy of PC and FCI while drastically reducing the number of CI tests. Further validation on the real-world China Health and Retirement Longitudinal Study (CHARLS) dataset confirms its practical applicability. Our results establish that accurate, scalable causal discovery is achievable even under minimal assumptions about the initial Super-Structure, opening new avenues for applying divide-and-conquer methods to large-scale, knowledge-scarce domains such as biomedical and social science research.
• Abstract（参考訳）: 本稿では,特に条件付き独立性テスト(CI)が高価であり,ドメイン知識が利用できない場合に,高精度な超構造体を構築するための計算コストが高くなるという,超構造体に基づく分断・対数因果発見の重大なボトルネックに対処する。 本稿では,超構造構造における厳密な要求を緩和し,分割コンバータのアルゴリズム的利点を保ちながら,新しい軽量なフレームワークを提案する。 制約の弱い超構造体と効率的なグラフ分割とマージ戦略を統合することにより、精度を犠牲にすることなくCIテストのオーバーヘッドを大幅に低減する。 我々は、具体的な因果探索アルゴリズムでフレームワークをインスタンス化し、そのコンポーネントを合成データ上で厳格に評価する。 マジックNIAB, ECOLI70, マジックIRRIなどのガウスベイズネットワークに関する総合的な実験により, 提案手法がPCとFCIの構造精度に一致しているか, 近似し, CIテストの回数を大幅に削減することを示した。 実際の中国保健・退職縦断調査(CHARLS)データセットのさらなる検証は、その実用性を確認している。 以上の結果から, バイオメディカル・社会科学研究などの大規模・知識に分割・コンカレント手法を応用するための新たな道を開くことで, 初期の超構造に関する最小の仮定の下でも, 正確かつスケーラブルな因果発見が達成可能であることが確認された。

関連論文リスト

• Efficient Differentiable Causal Discovery via Reliable Super-Structure Learning [51.20606796019663]
  本稿では,新たな因果発見パイプラインであるALVGLを提案する。 ALVGLはスパース分解とローランク分解を用いてデータの精度行列を学習する。 ALVGLは最先端の精度を達成するだけでなく、最適化効率を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-01-09T02:18:59Z)
• Scalable Bayesian Network Structure Learning Using Tsetlin Machine to Constrain the Search Space [10.753354249346073]
  PCアルゴリズムはベイズネットワークの構造を学習するための因果推論において広く用いられている手法である。 その人気にもかかわらず、PCアルゴリズムは特にデータセットのサイズが大きくなるにつれて、かなりの時間的複雑さに悩まされる。 本稿では,より効率的にベイズ構造を構築するために,Tsetlin Machine (TM) を利用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:23:19Z)
• Efficient Ensemble Conditional Independence Test Framework for Causal Discovery [46.328102756312724]
  本稿では,汎用およびプラグアンドプレイフレームワークであるEnsemble Conditional Independence Test (E-CIT)を紹介する。 E-CITはデータをサブセットに分割し、与えられたベースCITを各サブセットに独立に適用し、結果として得られるp値を集約する。 その結果、E-CITはCITの計算負担と因果発見を著しく低減するだけでなく、競争性能も向上することが示された。
  論文  参考訳（メタデータ） (2025-09-25T11:31:16Z)
• TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
  PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。 PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。 一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-14T14:58:30Z)
• Coordinated Multi-Neighborhood Learning on a Directed Acyclic Graph [6.727984016678534]
  因果非巡回グラフ(DAG)の構造を学習することは、機械学習や人工知能の多くの分野で有用である。 強い、しばしば制限的な仮定なしに優れた経験的、理論的結果を得ることは困難である。 本論文では,複数のユーザ特定ターゲットノードの周囲の局所構造を推定する制約に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:49:43Z)
• 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)
• HardSATGEN: Understanding the Difficulty of Hard SAT Formula Generation and A Strong Structure-Hardness-Aware Baseline [45.91245228386502]
  既存のSAT生成アプローチでは、グローバルな構造特性を同時に捉えることはほとんどできず、高い計算硬度を維持することができる。 本稿では,SAT式生成のためのニューラル・スプリット・マージ・パラダイムに,きめ細かい制御機構を導入するHardSATGENを提案する。 従来の手法と比較すると、平均的な性能向上は構造統計の38.5%、計算の88.4%、解法チューニングの有効性の140.7%以上を達成している。
  論文  参考訳（メタデータ） (2023-02-04T05:58:17Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Accelerating Recursive Partition-Based Causal Structure Learning [4.357523892518871]
  帰納的因果探索アルゴリズムは、より小さなサブプロブレムで条件独立性テスト(CI)を用いて良い結果をもたらす。 本稿では,少数のCIテストと望ましくない関係を特定できる汎用因果構造改善戦略を提案する。 次に,合成および実データ集合における解の質と完了時間の観点から,最先端アルゴリズムに対する性能を実証的に評価する。
  論文  参考訳（メタデータ） (2021-02-23T08:28:55Z)

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。