論文の概要: Smoothing the Landscape: Causal Structure Learning via Diffusion Denoising Objectives
- arxiv url: http://arxiv.org/abs/2604.02250v1
- Date: Thu, 02 Apr 2026 16:41:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.92292
- Title: Smoothing the Landscape: Causal Structure Learning via Diffusion Denoising Objectives
- Title（参考訳）: 景観の平滑化:拡散による因果構造学習
- Authors: Hao Zhu, Di Zhou, Donna Slonim,
- Abstract要約: 拡散モデルを用いて, より速く, より安定な収束のための勾配を円滑にすることができることを示す。
私たちはこのフレームワークをDeffusion Causal Discovery (DDCD)と名付けた。
- 参考スコア（独自算出の注目度）: 15.648615385371537
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding causal dependencies in observational data is critical for informing decision-making. These relationships are often modeled as Bayesian Networks (BNs) and Directed Acyclic Graphs (DAGs). Existing methods, such as NOTEARS and DAG-GNN, often face issues with scalability and stability in high-dimensional data, especially when there is a feature-sample imbalance. Here, we show that the denoising score matching objective of diffusion models could smooth the gradients for faster, more stable convergence. We also propose an adaptive k-hop acyclicity constraint that improves runtime over existing solutions that require matrix inversion. We name this framework Denoising Diffusion Causal Discovery (DDCD). Unlike generative diffusion models, DDCD utilizes the reverse denoising process to infer a parameterized causal structure rather than to generate data. We demonstrate the competitive performance of DDCDs on synthetic benchmarking data. We also show that our methods are practically useful by conducting qualitative analyses on two real-world examples. Code is available at this url: https://github.com/haozhu233/ddcd.
- Abstract（参考訳）: 観察データにおける因果関係の理解は意思決定に不可欠である。
これらの関係はしばしばベイズネットワーク (BN) やDAG (Directed Acyclic Graphs) としてモデル化される。
NOTEARSやDAG-GNNといった既存の手法は、高次元データのスケーラビリティや安定性の問題に直面することが多い。
ここでは,拡散モデルのデノイングスコアマッチングの目的が,より速く,より安定した収束のために勾配を円滑にすることができることを示す。
また、行列逆変換を必要とする既存のソリューションよりも実行時を改善する適応的なk-ホップ非巡回性制約を提案する。
Denoising Diffusion Causal Discovery (DDCD)と名付けた。
生成拡散モデルとは異なり、DDCDはデータを生成するのではなく、逆の denoising プロセスを用いてパラメータ化された因果構造を推論する。
合成ベンチマークデータにおけるDDCDの競合性能を示す。
また,2つの実世界の実例について定性的分析を行うことにより,本手法が実用上有用であることを示す。
コードは https://github.com/haozhu233/ddcd.com/ で入手できる。
関連論文リスト
- Coefficients-Preserving Sampling for Reinforcement Learning with Flow Matching [6.238027696245818]
Reinforcement Learning (RL) は拡散およびフローマッチングモデルにおける画像生成と映像生成を改善する強力な手法として登場した。
SDEに基づくサンプリングは、生成された画像に顕著なノイズアーティファクトを導入します。
提案手法であるCoefficients-Preserving Sampling (CPS)は,これらのノイズアーティファクトを除去する。
論文 参考訳（メタデータ） (2025-09-07T07:25:00Z) - Simple and Critical Iterative Denoising: A Recasting of Discrete Diffusion in Graph Generation [0.0]
中間ノイズ状態間の依存関係は、逆ノイズ化プロセス中にエラーの蓄積と伝播を引き起こす。
本稿では, 離散拡散を単純化し, 問題を回避し, 簡易反復分解という新しい枠組みを提案する。
実験により,提案手法はグラフ生成タスクにおいて既存の離散拡散ベースラインを著しく上回ることを示す。
論文 参考訳（メタデータ） (2025-03-27T15:08:58Z) - Scaling-based Data Augmentation for Generative Models and its Theoretical Extension [2.449909275410288]
高品質なデータ生成が可能な生成モデルの安定学習法について検討する。
データスケーリングは、安定した学習と高品質なデータ生成の鍵となるコンポーネントである。
本稿では,データスケーリングと分散に基づく正規化を用いた学習アルゴリズムScale-GANを提案する。
論文 参考訳（メタデータ） (2024-10-28T06:41:19Z) - 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) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - Diffusion Causal Models for Counterfactual Estimation [18.438307666925425]
本稿では,観測画像データから因果構造を推定する作業について考察する。
Diff-SCMは,近年の発電エネルギーモデルの発展を基盤とした構造因果モデルである。
Diff-SCMはMNISTデータに基づくベースラインよりも現実的で最小限のデファクトアルを生成しており、ImageNetデータにも適用可能である。
論文 参考訳（メタデータ） (2022-02-21T12:23:01Z)
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。