論文の概要: Coarsening Linear Non-Gaussian Causal Models with Cycles

• arxiv url: http://arxiv.org/abs/2605.10163v1
• Date: Mon, 11 May 2026 08:13:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.629407
• Title: Coarsening Linear Non-Gaussian Causal Models with Cycles
• Title（参考訳）: サイクル付き線形非ガウス因果モデル
• Authors: Francisco Madaleno, Francisco C Pereira, Alex Markham,
• Abstract要約: 線型非ガウス的条件下では、高次元の非巡回性仮定は緩和可能であることを示す。 我々は、この低次元DAGの識別可能性と既存の結果をさらに結びつける。 我々の低次元の要約は最悪の場合の立方体時間で学習され、サンプルの複雑さに明確な境界がある。
• 参考スコア（独自算出の注目度）: 1.981773365821806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work on causal abstraction, in particular graphical approaches focusing on causal structure between clusters of variables, aims to summarize a high-dimensional causal structure in terms of a low-dimensional one. Existing methods for learning such summaries from data assume that both the high- and low-dimensional structures are acyclic, which is helpful for causal effect identification and reasoning but excludes many high-dimensional models and thus limits applicability. We show that in the linear non-Gaussian (LiNG) setting, the high-dimensional acyclicity assumption can be relaxed while still allowing recovery of a low-dimensional causal directed acyclic graph (DAG). We further connect identifiability of this low-dimensional DAG to existing results: LiNG models with cycles are observationally identifiable only up to an equivalence class whose members differ by reversals of directed cycles; our low-dimensional DAG, which is invariant across all members of a given equivalence class, thus forms a natural representative of the class. While existing approaches for learning this observational equivalence class over high-dimensional variables have exponential time complexity, our low-dimensional summary is learned in worst-case cubic time and comes with explicit bounds on the sample complexity. We provide open source code and experiments on synthetic data to corroborate our theoretical results.
• Abstract（参考訳）: 因果抽象に関する最近の研究、特に変数のクラスタ間の因果構造に焦点を当てたグラフィカルなアプローチは、低次元の構造の観点から高次元因果構造を要約することを目的としている。 このような要約をデータから学習する既存の方法は、高次元構造と低次元構造の両方が非循環であると仮定し、因果効果の同定と推論に役立ちながら、高次元モデルの多くを除外し、適用性を制限する。 線形非ガウス的(LiNG)環境では、低次元因果有向非巡回グラフ(DAG)を回復しながら高次元非巡回仮定を緩和できることを示す。 サイクルを持つLiNGモデルは、有向サイクルの逆数によってメンバーが異なる同値類のみを観察的に同定できる; 我々の低次元DAGは、与えられた同値類のすべてのメンバー間で不変であり、したがって、そのクラスの自然な代表となる。 高次元変数に対するこの観測等価クラスを学習するための既存のアプローチは指数時間複雑性を持つが、我々の低次元の要約は最悪の立方体時間で学習され、サンプルの複雑さに明確な境界がある。 理論的結果を裏付けるために、オープンソースコードと合成データの実験を提供する。

関連論文リスト

• Causal Discovery for Linear DAGs with Dependent Latent Variables via Higher-order Cumulants [7.808674222118538]
  既存の手法では、相互に独立した潜在的共同創設者を仮定するか、観測変数間の因果関係を持つモデルを適切に扱うことができない。 本稿では,LvLiNGAMにおける因果DAGを同定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T15:15:20Z)
• Causal Discovery for Linear Non-Gaussian Models with Disjoint Cycles [3.425341633647624]
  本研究では,解離周期を持つ因果構造を学習するためのアルゴリズムを開発した。 非ガウス分布の低次モーメント間の単純な二次的および立方的関係は、ソースサイクルの特定を可能にすることを示す。
  論文  参考訳（メタデータ） (2025-07-14T19:45:23Z)
• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Kernel-Based Differentiable Learning of Non-Parametric Directed Acyclic Graphical Models [17.52142371968811]
  因果発見は因果モデルを符号化する有向非巡回グラフ (DAG) を学ぶことに相当する。 近年の研究では、因果発見を連続最適化問題として再検討し、探索を回避しようとしている。
  論文  参考訳（メタデータ） (2024-08-20T16:09:40Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Learning Linear Polytree Structural Equation Models [4.833417613564028]
  我々は、線形構造方程式モデル(SEM)からデータを生成する際に、有向非巡回グラフ(DAG)を学習する問題に興味を持っている。 我々は、よく知られたChow-Liuアルゴリズムのサンプルサイズについて十分な条件について検討し、ポリツリーの骨格と等価クラスの両方を正確に復元する。 また、各ノードが変数群を表すような群線型ポリツリーモデルの拡張も検討する。
  論文  参考訳（メタデータ） (2021-07-22T23:22:20Z)
• Structure Learning for Cyclic Linear Causal Models [5.567377163246147]
  観測データに基づく線形因果モデルにおける構造学習の問題点を考察する。 循環型混成グラフによって与えられるモデルを扱うことで、フィードバックループと潜伏した共同設立者の影響を可能とします。
  論文  参考訳（メタデータ） (2020-06-10T17:47:28Z)

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。