論文の概要: A Topological Sorting Criterion for Random Causal Directed Acyclic Graphs

• arxiv url: http://arxiv.org/abs/2605.06288v1
• Date: Thu, 07 May 2026 13:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.867633
• Title: A Topological Sorting Criterion for Random Causal Directed Acyclic Graphs
• Title（参考訳）: ランダム因果非巡回グラフのトポロジ的ソーティング基準
• Authors: Alexander G. Reisach, Antoine Chambaz, Gilles Blanchard, Sebastian Weichwald,
• Abstract要約: DAGでは、親類と呼ばれるオープンパスを介して到達可能なノードの集合が因果順序に沿って単調に増加することを示す。 推定された親戚数からソートすることで因果的順序回復に活用できることを実証する。 本稿では,時系列DAGのサンプリングを代替として提案し,因果探索アルゴリズムの意義と合成データに対する評価について論じる。
• 参考スコア（独自算出の注目度）: 44.42106270319047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Random directed acyclic graphs (DAGs) based on imposing an order on Erdős-Rényi and scale free random graphs are widely used for evaluating causal discovery algorithms. We show that in such DAGs, the set of nodes reachable via open paths, termed relatives, increases monotonically along the causal order. We assess the prevalence of this pattern numerically, and demonstrate that it can be exploited for causal order recovery via sorting by the estimated number of relatives. We note that many simulations in the literature feature settings where this yields an excellent proxy for the causal order, and show that a strict increase of relatives along the causal order leads to a singular Markov equivalence class. We propose sampling time-series DAGs as a possible alternative and discuss implications for causal discovery algorithms and their evaluation on synthetic data.
• Abstract（参考訳）: ランダム指向非巡回グラフ(DAG)はエルデシュ=レーニに順序を付与することに基づいており、スケールフリーなランダムグラフは因果発見アルゴリズムの評価に広く用いられている。 このようなDAGでは、親類と呼ばれるオープンパスを介して到達可能なノードの集合が因果順序に沿って単調に増加することを示す。 このパターンの有病率を数値的に評価し、推定された親類数からソートすることで因果的順序回復に活用できることを実証する。 文献における多くのシミュレーションでは、これが因果次数に対する優れた代名詞となるような特徴的条件が示されており、因果次数に沿った親類の増加が特異なマルコフ同値類に繋がることを示す。 本稿では,時系列DAGのサンプリングを代替として提案し,因果探索アルゴリズムの意義と合成データに対する評価について論じる。

関連論文リスト

• Learning-Order Autoregressive Models with Application to Molecular Graph Generation [52.44913282062524]
  本稿では,データから逐次推定される確率的順序付けを用いて高次元データを生成するARMの変種を紹介する。 提案手法は,画像およびグラフ生成において有意義な自己回帰順序を学習できることを実験的に実証した。
  論文  参考訳（メタデータ） (2025-03-07T23:24:24Z)
• Hybrid Top-Down Global Causal Discovery with Local Search for Linear and Nonlinear Additive Noise Models [2.0738462952016232]
  関数因果モデルに基づく手法は、ユニークなグラフを識別することができるが、次元性の呪いや強いパラメトリックな仮定を課すことに苦しむ。 本研究では,局所的な因果構造を利用した観測データにおけるグローバル因果発見のための新しいハイブリッド手法を提案する。 我々は, 合成データに対する実証的な検証を行い, 正確性および最悪の場合の時間複雑度を理論的に保証する。
  論文  参考訳（メタデータ） (2024-05-23T12:28:16Z)
• Reinforcement Causal Structure Learning on Order Graph [18.344249064559087]
  本稿では,RCL-OG(Reinforcement Causal Structure Learning on Order Graph)を提案する。 RCL-OGはまず、順序の後方分布を近似する新しい報酬機構を用いて強化学習を定義する。 異なる順序の後方確率を計算する。
  論文  参考訳（メタデータ） (2022-11-22T10:29:25Z)
• Diffusion Models for Causal Discovery via Topological Ordering [20.875222263955045]
  emphTopological ordering approachは、グラフ空間ではなく置換を探索することによって因果発見の最適化空間を減少させる。 ANMsの場合、データログのようなemphHessianは、葉ノードを因果グラフで見つけるのに使用することができ、トポロジ的順序付けを可能にする。 ニューラルネットワークを再トレーニングすることなく、学習したヘッセンを更新する理論を導入し、サンプルのサブセットによる計算が注文の正確な近似を与えることを示す。
  論文  参考訳（メタデータ） (2022-10-12T13:36:29Z)
• Score matching enables causal discovery of nonlinear additive noise models [63.93669924730725]
  次世代のスケーラブル因果発見手法の設計方法について述べる。 本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T21:34:46Z)
• Sequential Learning of the Topological Ordering for the Linear Non-Gaussian Acyclic Model with Parametric Noise [6.866717993664787]
  我々はDAGの因果順序を推定するための新しい逐次的アプローチを開発する。 数千のノードを持つケースに対して,我々の手順がスケーラブルであることを示すための,広範な数値的証拠を提供する。
  論文  参考訳（メタデータ） (2022-02-03T18:15:48Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• Adversarial Examples for $k$-Nearest Neighbor Classifiers Based on Higher-Order Voronoi Diagrams [69.4411417775822]
  逆例は機械学習モデルにおいて広く研究されている現象である。 そこで本研究では,$k$-nearest 近傍分類の逆ロバスト性を評価するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-19T08:49:10Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。