論文の概要: Relaxed Sparsest-Permutation Formulation for Causal Discovery at Scale

• arxiv url: http://arxiv.org/abs/2605.05568v1
• Date: Thu, 07 May 2026 01:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.475553
• Title: Relaxed Sparsest-Permutation Formulation for Causal Discovery at Scale
• Title（参考訳）: スケールでの因果発見のための緩和スペース-置換式
• Authors: Sunmin Oh, Sang-Yun Oh, Gunwoong Park,
• Abstract要約: 構造回復には正確なコレスキー分解が不要であることを示す。 緩和された定式化のスケーラブルな実装を提供するスパース・コールスキーパイプラインであるSCOPEを紹介する。 合成データセットと実データセットの実験により、SCOPE は MEC の回復精度とかなり遅いベースラインとが一致していることが示された。
• 参考スコア（独自算出の注目度）: 1.8160945635344523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the growing availability of large datasets, causal structure learning remains computationally prohibitive at scale. We revisit sparsest-permutation learning for linear structural equation models and show that exact Cholesky factorization is unnecessary for structure recovery. This observation motivates a support-level relaxation that searches for sparse triangular factors over a precision-support screening graph. The relaxed formulation can be efficiently evaluated via masked zero-fill incomplete Cholesky factorization, enabling scalable comparison of candidate orderings. At the population level, we establish soundness for Markov equivalence class (MEC) recovery under no-cancellation and sparsest Markov representation assumptions, as well as robustness to ordering misspecification. Motivated by these guarantees, we introduce SCOPE, a sparse-Cholesky pipeline that provides a scalable implementation of the relaxed formulation. Experiments on synthetic and real datasets demonstrate that SCOPE matches the MEC recovery accuracy of substantially slower baselines, while achieving significantly reduced runtime and scaling to 10k variables.
• Abstract（参考訳）: 大規模なデータセットが利用可能になっているにもかかわらず、因果構造学習は大規模に計算的に禁止されている。 線形構造方程式モデルに対するスペルセスト置換学習を再検討し、正確なコレスキー分解が構造回復に必要であることを示す。 この観察は、精度支援スクリーニンググラフ上で、疎三角要素を探索するサポートレベル緩和を動機付けている。 緩和された定式化は、マスクされたゼロフィル不完全コレスキー分解によって効率的に評価することができ、候補順序のスケーラブルな比較を可能にする。 人口レベルでは,マルコフ同値クラス (MEC) の再現性は,不明瞭なマルコフ表現の仮定と疎遠なマルコフ表現の仮定に基づいて確立される。 これらの保証によって、緩和された定式化のスケーラブルな実装を提供するスパース・コールスキーパイプラインであるSCOPEを導入する。 合成データセットと実データセットの実験では、SCOPEはMECの回復精度がかなり遅いベースラインと一致し、ランタイムと10k変数へのスケーリングは大幅に削減された。

関連論文リスト

• Importance-Guided Basis Selection for Low-Rank Decomposition of Large Language Models [9.690793619550654]
  本稿では,BSI(Basis Selection with Importance)について紹介する。 我々は,Hutchinsonランダム化探索法を適用し,対称なパラメータ摂動による曲率の減少に適応して,効率的なヘシアン対角推定器を開発した。 本稿では, ベースプルーニングによる損失増加境界, ヘッセン対角線推定誤差のこれらの境界への明示的伝播, ヘッセンスペクトルに関連付けられた分散特性, 目標推定精度を達成するための高確率サンプル-複雑度保証, 摂動強度のガイダンスなど, 包括的な理論的解析を行う。
  論文  参考訳（メタデータ） (2026-05-02T22:35:02Z)
• VaSST: Variational Inference for Symbolic Regression using Soft Symbolic Trees [2.6521352889229446]
  本稿では,変分推論に基づくシンボリック回帰のためのスケーラブルな確率的フレームワークであるVasSTを紹介する。 VaSSTは、最先端のシンボル回帰法と比較して、構造回復と予測精度の両方において優れた性能を達成する。
  論文  参考訳（メタデータ） (2026-02-27T00:07:31Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• Learning Causality for Longitudinal Data [1.2691047660244335]
  この論文は、高次元の時間変化データにおける因果推論と因果表現学習の手法を開発する。 最初のコントリビューションは、個別処理効果(ITE)を推定するモデルであるCDVAE(Causal Dynamic Variational Autoencoder)の導入である。 第2のコントリビューションでは,Contrastive Predictive Coding (CPC) とInfoMaxによって強化された RNN に基づく長期的反事実回帰のための効率的なフレームワークを提案する。 第3のコントリビューションは、潜伏が観察された変数にどのように現れるかに対処することでCRLを前進させる。
  論文  参考訳（メタデータ） (2025-12-04T16:51:49Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Dynamic Bayesian Network Auxiliary ABC-SMC for Hybrid Model Bayesian Inference to Accelerate Biomanufacturing Process Mechanism Learning and Robust Control [2.727760379582405]
  本稿では,バイオプロセッシング機構の複雑な因果関係を特徴付ける知識グラフハイブリッドモデルを提案する。 非線形反応、部分的に観察された状態、非定常力学を含む重要な性質を忠実に捉えることができる。 我々は、メカニズム学習を容易にし、ロバストなプロセス制御を支援する後部分布モデルの不確かさを導出する。
  論文  参考訳（メタデータ） (2022-05-05T02:54:21Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)

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。