論文の概要: PACER: Acyclic Causal Discovery from Large-Scale Interventional Data

• arxiv url: http://arxiv.org/abs/2605.15353v1
• Date: Thu, 14 May 2026 19:26:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.07022
• Title: PACER: Acyclic Causal Discovery from Large-Scale Interventional Data
• Title（参考訳）: PACER: 大規模インターベンショナルデータによる非循環因果発見
• Authors: Ramon Viñas Torné, Sílvia Fàbregas Salazar, Soyon Park, Ivo Alexander Ban, Artyom Gadetsky, Nikita Doikov, Maria Brbić,
• Abstract要約: PACERは、建設による非循環を保証する因果発見のためのスケーラブルなフレームワークである。 観測データと介入データの統一的処理を支援する。 タンパク質シグナリングと大規模な遺伝的摂動ベンチマークの最先端の手法を一致または超える。
• 参考スコア（独自算出の注目度）: 8.724450642752103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring the structure of directed acyclic graphs (DAGs) from data is a central challenge in causal discovery, particularly in modern high-dimensional settings where large-scale interventional data are increasingly available. While interventional data can improve identifiability, existing methods remain limited by soft acyclicity constraints, leading to optimization over invalid cyclic graphs, numerical instability, and reduced scalability. We introduce PACER (Perturbation-driven Acyclic Causal Edge Recovery), a scalable framework for causal discovery that guarantees acyclicity by construction. PACER parameterizes a distribution over DAGs through a joint model of variable permutations and edge probabilities, enabling direct optimization over valid causal structures without surrogate penalties. The framework supports a unified likelihood-based treatment of observational and interventional data, flexible conditional density models, and the incorporation of structural prior knowledge. For linear-Gaussian mechanisms, we derive closed-form expressions for the expected interventional log-likelihood and its gradients, yielding substantial computational gains. Empirically, PACER matches or exceeds state-of-the-art methods on protein signaling and large-scale genetic perturbation benchmarks, while scaling efficiently to networks with thousands of variables and achieving up to two orders of magnitude speedups over penalty-based differentiable approaches. These results demonstrate that exact and scalable causal discovery from high-dimensional perturbation data is achievable through principled search space design.
• Abstract（参考訳）: データから有向非巡回グラフ(DAG)の構造を推定することは因果発見における中心的な課題であり、特に大規模介入データがますます利用できるようになる現代の高次元設定においてである。 介入データは識別性を改善することができるが、既存の手法はソフトな非循環性制約によって制限され、無効な巡回グラフよりも最適化され、数値的不安定性やスケーラビリティが低下する。 PACER(Perturbation-driven Acyclic Causal Edge Recovery)は,建設による非循環性を保証する因果発見のためのスケーラブルなフレームワークである。 PACERは可変置換とエッジ確率のジョイントモデルを通じてDAG上の分布をパラメータ化し、代理的なペナルティを伴わずに有効な因果構造を直接最適化する。 このフレームワークは、観測データと介入データの統一された可能性ベースの処理、フレキシブルな条件密度モデル、構造的事前知識の導入をサポートする。 線形ガウス機構に対しては、期待される介入対数類似度とその勾配に対する閉形式式を導出し、かなりの計算ゲインを得る。 実証的には、PACERはタンパク質シグナリングと大規模な遺伝的摂動ベンチマークの最先端の手法と一致し、数千の変数を持つネットワークに効率的にスケーリングし、ペナルティベースの微分可能なアプローチよりも最大2桁のスピードアップを達成する。 これらの結果から,高次元摂動データからの正確かつスケーラブルな因果発見は,探索空間設計の原理により達成可能であることが示された。

関連論文リスト

• 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)
• 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)
• Large-Scale Bayesian Causal Discovery with Interventional Data [0.0]
  有向非巡回グラフ(DAG)の形で変数の集合間の因果関係を推定することは重要であるが、非常に難しい問題である。 介入データを用いた因果発見のための実証的ベイズ的枠組みであるインターベンショナルベイズ的因果発見(IBCD)を提案する。
  論文  参考訳（メタデータ） (2025-10-02T01:16:04Z)
• Causal Inference from Slowly Varying Nonstationary Processes [2.3072402651280517]
  観測データヒンジからの因果推論は、データ生成機構による原因と効果の非対称性に依存する。 本稿では,時間変化フィルタと定常雑音を用いた新しい構造因果モデルを提案し,非定常性から非対称性を利用して因果同定を行う。
  論文  参考訳（メタデータ） (2024-05-11T04:15:47Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
  観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。 我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。 次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
  論文  参考訳（メタデータ） (2022-01-28T09:30:32Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• 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)
• Efficient Neural Causal Discovery without Acyclicity Constraints [30.08586535981525]
  本研究では,有向非巡回因果グラフの効率的な構造学習法であるENCOを提案する。 実験の結果,ENCOは数百ノードのグラフを効率よく回収できることがわかった。
  論文  参考訳（メタデータ） (2021-07-22T07:01:41Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)

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。