論文の概要: A Recursive Decomposition Framework for Causal Structure Learning in the Presence of Latent Variables

• arxiv url: http://arxiv.org/abs/2605.10651v1
• Date: Mon, 11 May 2026 14:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.901667
• Title: A Recursive Decomposition Framework for Causal Structure Learning in the Presence of Latent Variables
• Title（参考訳）: 潜在変数存在下での因果構造学習のための再帰的分解フレームワーク
• Authors: Zheng Li, Feng Xie, Shenglan Nie, Xichen Guo, Ruxin Wang, Hao Zhang,
• Abstract要約: 制約に基づく因果探索は因果構造を学習するために広く用いられているが、条件独立性テスト(CI)に大きく依存しているため、高次元設定では計算コストがかかる。 本研究では,因果正当性以外の潜伏変数の設定を理論的に一般化できることを示す。
• 参考スコア（独自算出の注目度）: 10.358342291086073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Constraint-based causal discovery is widely used for learning causal structures, but heavy reliance on conditional independence (CI) testing makes it computationally expensive in high-dimensional settings. To mitigate this limitation, many divide-and-conquer frameworks have been proposed, but most assume causal sufficiency, i.e., no latent variables. In this paper, we show that divide-and-conquer strategies can be theoretically generalized beyond causal sufficiency to settings with latent variables. Specifically, we propose a recursive decomposition framework, termed DiCoLa, that enables divide-and-conquer causal discovery in the presence of latent variables. It recursively decomposes the global learning task into smaller subproblems and integrates their solutions through a principled reconstruction step to recover the global structure. We theoretically establish the soundness and completeness of the proposed framework. Extensive experiments on synthetic data demonstrate that our approach significantly improves computational efficiency across a range of causal discovery algorithms, while experiments on a real-world dataset further illustrate its practical effectiveness.
• Abstract（参考訳）: 制約に基づく因果探索は因果構造を学習するために広く用いられているが、条件独立性テスト(CI)に大きく依存しているため、高次元設定では計算コストがかかる。 この制限を緩和するために、多くの分割・コンカレントフレームワークが提案されているが、ほとんどの場合因果補充、すなわち潜伏変数を仮定する。 本稿では, 因果正当性を超えて, 潜伏変数を持つ設定に対して, 分割・対数戦略を理論的に一般化できることを示す。 具体的には、潜伏変数の存在下での分割・コンカレンダ因果発見を可能にする再帰分解フレームワークであるDiCoLaを提案する。 グローバルな学習タスクを小さなサブプロブレムに再帰的に分解し、そのソリューションを原則化された再構築ステップを通じて統合し、グローバルな構造を回復する。 提案手法の健全性と完全性を理論的に確立する。 合成データに対する大規模な実験により,本手法は様々な因果探索アルゴリズムにおける計算効率を著しく向上する一方,実世界のデータセットを用いた実験は,その実用性をさらに示している。

関連論文リスト

• Causal Discovery for Cross-Sectional Data Based on Super-Structure and Divide-and-Conquer [9.740161937852067]
  本稿では,配当のアルゴリズム的利点を保ちながら,超構造構築の厳密な要件を緩和する新しい枠組みを提案する。 我々は、具体的な因果探索アルゴリズムでフレームワークをインスタンス化し、そのコンポーネントを合成データ上で厳格に評価する。 我々の結果は、初期の超構造に関する最小限の仮定の下でも、正確でスケーラブルな因果発見が達成可能であることを証明している。
  論文  参考訳（メタデータ） (2026-02-03T16:18:17Z)
• Efficient Causal Structure Learning via Modular Subgraph Integration [4.803851977437455]
  本稿では,グローバル因果構造学習問題をブランケットに基づく局所部分グラフに分解するモジュラーフレームワークであるVISTAを紹介する。 このフレームワークはモデルに依存しないため、ベースラーナーの帰納的バイアスに関する仮定は含まず、任意のデータ設定と互換性があり、並列化を完全にサポートしている。 合成データセットと実データセットの両方に対する大規模な実験は、常にVISTAの有効性を実証している。
  論文  参考訳（メタデータ） (2026-01-28T20:13:20Z)
• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• Step-Aware Policy Optimization for Reasoning in Diffusion Large Language Models [57.42778606399764]
  拡散言語モデル(dLLM)は、テキスト生成に有望で非自己回帰的なパラダイムを提供する。 現在の強化学習アプローチは、しばしばスパースで結果に基づく報酬に頼っている。 これは推論の自然な構造との根本的なミスマッチに由来すると我々は主張する。
  論文  参考訳（メタデータ） (2025-10-02T00:34:15Z)
• The Curse of CoT: On the Limitations of Chain-of-Thought in In-Context Learning [56.574829311863446]
  CoT(Chain-of-Thought)プロンプトは,大規模言語モデル(LLM)における推論能力の向上によって広く認識されている。 我々は、CoTとその推論変異が、様々なモデルスケールやベンチマークの複雑さに対して、直接応答を一貫して過小評価していることを実証する。 パターンベースICLにおけるCoTの性能を駆動する明示的単純推論の基本的なハイブリッド機構を明らかにする。
  論文  参考訳（メタデータ） (2025-04-07T13:51:06Z)
• Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
  我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。 大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• A Versatile Causal Discovery Framework to Allow Causally-Related Hidden Variables [28.51579090194802]
  因果ネットワークの至る所で、因果関係の隠れ変数の存在を許容する因果発見のための新しい枠組みを提案する。 ランクに基づく潜在因果探索アルゴリズム(RLCD)を開発し、隠れ変数を効率よく探索し、その濃度を判定し、測定値と隠れ変数の両方に対して因果構造全体を発見する。 合成・実世界のパーソナリティデータセットを用いた実験結果から,有限サンプルケースにおける提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-12-18T07:57:39Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Learning a Structural Causal Model for Intuition Reasoning in Conversation [20.243323155177766]
  NLP研究の重要な側面である推論は、一般的なモデルによって適切に対処されていない。 我々は、各発話がどのように情報チャネルを受信し、活性化するかを説明する会話認知モデル(CCM)を開発した。 変分推論を利用することで、暗黙的な原因の代用を探索し、その観測不可能性の問題に対処し、証拠の低い境界を通して発話の因果表現を再構築する。
  論文  参考訳（メタデータ） (2023-05-28T13:54:09Z)
• A Recursive Markov Boundary-Based Approach to Causal Structure Learning [22.38302412440357]
  因果構造学習のための新しい再帰型手法を提案する。 条件付き独立テストの必要回数を大幅に削減する。 実験の結果,提案アルゴリズムは,合成構造と実世界構造の両方において,最先端のアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-10-10T13:26:22Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。