論文の概要: DAGAF: A directed acyclic generative adversarial framework for joint structure learning and tabular data synthesis

• arxiv url: http://arxiv.org/abs/2604.04290v1
• Date: Sun, 05 Apr 2026 22:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.027514
• Title: DAGAF: A directed acyclic generative adversarial framework for joint structure learning and tabular data synthesis
• Title（参考訳）: DAGAF: 共同構造学習と表層データ合成のための非周期的非周期的生成対向フレームワーク
• Authors: Hristo Petkov, Calum MacLellan, Feng Dong,
• Abstract要約: 本稿では,因果構造学習と表型データ合成を両立できる新しい2段階フレームワークを提案する。 我々のアプローチでは、データ変数間の因果関係を表現するために、DAG(Directed Acyclic Graphs)を用いている。 ANM, LiNGAM, Post-Nonlinear Model (PNL) などの機能的因果モデルを適用することにより, DAGの内容が暗黙的に学習され, 観測データの生成過程をシミュレートする。
• 参考スコア（独自算出の注目度）: 2.0459575802588237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the causal relationships between data variables can provide crucial insights into the construction of tabular datasets. Most existing causality learning methods typically focus on applying a single identifiable causal model, such as the Additive Noise Model (ANM) or the Linear non-Gaussian Acyclic Model (LiNGAM), to discover the dependencies exhibited in observational data. We improve on this approach by introducing a novel dual-step framework capable of performing both causal structure learning and tabular data synthesis under multiple causal model assumptions. Our approach uses Directed Acyclic Graphs (DAG) to represent causal relationships among data variables. By applying various functional causal models including ANM, LiNGAM and the Post-Nonlinear model (PNL), we implicitly learn the contents of DAG to simulate the generative process of observational data, effectively replicating the real data distribution. This is supported by a theoretical analysis to explain the multiple loss terms comprising the objective function of the framework. Experimental results demonstrate that DAGAF outperforms many existing methods in structure learning, achieving significantly lower Structural Hamming Distance (SHD) scores across both real-world and benchmark datasets (Sachs: 47%, Child: 11%, Hailfinder: 5%, Pathfinder: 7% improvement compared to state-of-the-art), while being able to produce diverse, high-quality samples.
• Abstract（参考訳）: データ変数間の因果関係を理解することは、表データセットの構築に関する重要な洞察を与えることができる。 既存の因果学習手法の多くは、通常、観測データに現れる依存関係を発見するために、加法ノイズモデル(ANM)や線形非ガウス非巡回モデル(LiNGAM)のような単一の識別可能な因果モデルを適用することに重点を置いている。 我々は、複数の因果モデル仮定の下で因果構造学習と表型データ合成の両方を実行することができる新しい二重ステップフレームワークを導入することにより、このアプローチを改善した。 我々のアプローチでは、データ変数間の因果関係を表現するために、DAG(Directed Acyclic Graphs)を用いている。 ANM, LiNGAM, Post-Nonlinear Model (PNL) などの機能的因果モデルを適用することで, DAGの内容を暗黙的に学習し, 観測データの生成過程をシミュレートし, 実データ分布を効果的に再現する。 これは、フレームワークの目的関数を構成する多重損失項を説明する理論的解析によって支持される。 実験の結果、DAGAFは構造学習において多くの既存手法より優れており、実世界とベンチマークの両方のデータセット(Sachs: 47%、Child: 11%、Halfinder: 5%、Pathfinder: 7%、最先端と比較して7%、高品質なサンプルを生成することができる。

関連論文リスト

• Diffusion Model for Manifold Data: Score Decomposition, Curvature, and Statistical Complexity [93.52679474816728]
  拡散モデルは、生成モデリングにおける主要なフレームワークとなっている。 本稿では,拡散モデルが構造データをどのように学習するかを,統計的複雑性とデータ幾何学的性質の影響の2つの重要な側面に焦点をあてる。 また、スコア関数の構造と多様体曲率の相互作用も強調する。
  論文  参考訳（メタデータ） (2026-03-21T04:40:19Z)
• Causal Discovery on Dependent Binary Data [6.464898093190062]
  本稿では,関係するバイナリデータに基づく因果グラフ学習のためのデコレーションに基づくアプローチを提案する。 我々は,潜在ユーティリティ変数のサンプルの生成とデコレーションを行うEMライクな反復アルゴリズムを開発した。 提案手法は因果グラフ学習の精度を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2024-12-28T21:55:42Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• Directed Cyclic Graph for Causal Discovery from Multivariate Functional Data [15.26007975367927]
  因果構造学習のための機能線形構造方程式モデルを提案する。 解釈可能性を高めるために,本モデルは低次元因果埋め込み空間を含む。 提案モデルが標準仮定の下で因果的同定可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-31T15:19:24Z)
• SLEM: Machine Learning for Path Modeling and Causal Inference with Super Learner Equation Modeling [3.988614978933934]
  因果推論は科学の重要な目標であり、研究者は観測データを使って意味のある結論に達することができる。 経路モデル、構造方程式モデル(SEM)および指向非巡回グラフ(DAG)は、現象の根底にある因果構造に関する仮定を明確に特定する手段を提供する。 本稿では,機械学習のスーパーラーナーアンサンブルを統合したパスモデリング手法であるSuper Learner Equation Modelingを提案する。
  論文  参考訳（メタデータ） (2023-08-08T16:04:42Z)
• 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)
• Using Explainable Boosting Machine to Compare Idiographic and Nomothetic Approaches for Ecological Momentary Assessment Data [2.0824228840987447]
  本稿では,非線形解釈型機械学習(ML)モデルを用いた分類問題について検討する。 木々の様々なアンサンブルは、不均衡な合成データセットと実世界のデータセットを用いて線形モデルと比較される。 2つの実世界のデータセットのうちの1つで、知識蒸留法は改善されたAUCスコアを達成する。
  論文  参考訳（メタデータ） (2022-04-04T17:56:37Z)
• 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。