論文の概要: RECLAIM: Cyclic Causal Discovery Amid Measurement Noise

• arxiv url: http://arxiv.org/abs/2603.20585v1
• Date: Sat, 21 Mar 2026 00:53:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.983159
• Title: RECLAIM: Cyclic Causal Discovery Amid Measurement Noise
• Title（参考訳）: ReCLAIM:観測騒音中における周期的因果発見
• Authors: Muralikrishnna G. Sethuraman, Faramarz Fekri,
• Abstract要約: 本稿では,サイクルと計測ノイズの両方を扱う因果発見フレームワークであるRECLAIMを提案する。 我々は, (i) ガウス加法雑音と (ii) ガウス加法雑音を持つ線形測定システムという2つの測定モデルを考える。 合成データと実世界のタンパク質シグナリングデータセットの実験により,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 11.865642857638527
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncovering causal relationships is a fundamental problem across science and engineering. However, most existing causal discovery methods assume acyclicity and direct access to the system variables -- assumptions that fail to hold in many real-world settings. For instance, in genomics, cyclic regulatory networks are common, and measurements are often corrupted by instrumental noise. To address these challenges, we propose RECLAIM, a causal discovery framework that natively handles both cycles and measurement noise. RECLAIM learns the causal graph structure by maximizing the likelihood of the observed measurements via expectation-maximization (EM), using residual normalizing flows for tractable likelihood computation. We consider two measurement models: (i) Gaussian additive noise, and (ii) a linear measurement system with additive Gaussian noise. We provide theoretical consistency guarantees for both the settings. Experiments on synthetic data and real-world protein signaling datasets demonstrate the efficacy of the proposed method.
• Abstract（参考訳）: 因果関係を明らかにすることは、科学と工学における根本的な問題である。 しかし、既存の因果発見手法の多くは、非循環性やシステム変数への直接アクセスを前提としています。 例えば、ゲノミクスでは、循環制御ネットワークは一般的であり、測定はしばしば機器ノイズによって破壊される。 これらの課題に対処するために、サイクルと測定ノイズの両方をネイティブに扱う因果発見フレームワークであるRECLAIMを提案する。 RECLAIMは、抽出可能な精度計算のために残留正規化フローを用いて、期待最大化(EM)により観測された測定の確率を最大化し、因果グラフ構造を学習する。 2つの測定モデルについて考察する。 (一)ガウス音、及び (ii)加法的ガウス雑音を持つ線形測定システム。 両設定の理論的整合性を保証する。 合成データと実世界のタンパク質シグナリングデータセットの実験により,提案手法の有効性が示された。

関連論文リスト

• Distributional Consistency Loss: Beyond Pointwise Data Terms in Inverse Problems [0.6813925418351433]
  現在の解法は、真の信号(正規化)に関する事前の仮定と、ノイズのある測定データ(データ忠実性)との一致のバランスをとる。 本稿では,各測定値に対するモデルベース確率スコアを用いた分布レベルのキャリブレーションと整合性に置き換えるデータ忠実度目標である分布整合性(DC)損失を導入する。 これらの結果から,直流損失は逆問題に対する従来の忠実度損失に代えて統計的に基礎を置き,性能向上に寄与すると考えられる。
  論文  参考訳（メタデータ） (2025-10-15T18:01:23Z)
• Flow based approach for Dynamic Temporal Causal models with non-Gaussian or Heteroscedastic Noises [37.02662517645979]
  因果発見のための統合フレームワークであるFANTOMを紹介する。 非定常過程と非ガウス的および異方性雑音を扱う。 同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
  論文  参考訳（メタデータ） (2025-06-20T15:12:43Z)
• LoSAM: Local Search in Additive Noise Models with Mixed Mechanisms and General Noise for Global Causal Discovery [2.4305626489408465]
  加法雑音モデルの局所探索(LoSAM)は、ANMにおける一意なDAG学習のためのトポロジカル順序であり、因果的機構と一般的な雑音分布が混在している。 一貫性と基準を証明し、スケーラビリティとサンプル効率を確保します。
  論文  参考訳（メタデータ） (2024-10-15T16:28:55Z)
• Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
  因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。 本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。 次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:51:58Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• On the Role of Entropy-based Loss for Learning Causal Structures with Continuous Optimization [27.613220411996025]
  因果構造学習問題を最小二乗損失を用いた連続最適化問題として定式化する。 ガウス雑音の仮定に違反すると因果方向の同定が妨げられることを示す。 より一般的なエントロピーに基づく損失は、任意の雑音分布下での確率スコアと理論的に一致している。
  論文  参考訳（メタデータ） (2021-06-05T08:29:51Z)
• Causal Inference Using Linear Time-Varying Filters with Additive Noise [18.35147325731821]
  制約構造因果モデルフレームワークを用いた因果推論は、データ生成機構による原因と効果の非対称性に大きく依存する。 データの非定常性を利用して対称性を破ることを提案する。 主な理論的結果は,原因と効果が時間変化フィルタを介して接続された場合,因果方向が汎用ケースで同定可能であることを示している。
  論文  参考訳（メタデータ） (2020-12-23T23:35:58Z)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)

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。