論文の概要: Leveraging heterogeneity for identifiability: Bayesian order-based learning of multiple DAGs

• arxiv url: http://arxiv.org/abs/2605.15639v1
• Date: Fri, 15 May 2026 05:43:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.185046
• Title: Leveraging heterogeneity for identifiability: Bayesian order-based learning of multiple DAGs
• Title（参考訳）: 識別可能性のための不均一性を活用する:ベイズ順序に基づく複数のDAGの学習
• Authors: Hyunwoong Chang, Fariha Taskin,
• Abstract要約: 有向非巡回グラフ(DAG)モデルの因果構造学習のための協調順序に基づくスコアリングフレームワークを提案する。 この枠組みに基づいて、ガウスDAGモデルに対する順序に基づくベイズ法を提案する。 大うつ病からの単一核RNAシークエンシングデータへの応用は実用性を示している。
• 参考スコア（独自算出の注目度）: 0.5801044612920815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a joint order-based scoring framework for causal structure learning of directed acyclic graph (DAG) models under heterogeneous data settings. We show that leveraging heterogeneity improves the accuracy of causal ordering estimation. In the most favorable case, the causal ordering is identifiable up to two permutations. Building on this framework, we propose an order-based Bayesian method for Gaussian DAG models and establish its theoretical properties in the high-dimensional regime. For posterior inference over the space of orderings, we introduce a random-to-random (R2R) proposal neighborhood for the Metropolis-Hastings algorithm, which is theoretically motivated and exhibits efficient mixing behavior. Simulation studies confirm the strong empirical performance of the proposed method, and an application to single-nucleus RNA sequencing data from major depressive disorder demonstrates practical utility.
• Abstract（参考訳）: 不均一なデータ設定下での有向非巡回グラフ(DAG)モデルの因果構造学習のための協調順序に基づくスコアリングフレームワークを提案する。 ヘテロジニティの活用により,因果順序推定の精度が向上することを示す。 最も好ましい場合、因果順序付けは最大2つの置換を識別できる。 この枠組みに基づいて、ガウスDAGモデルに対する順序に基づくベイズ法を提案し、その理論的性質を高次元状態において確立する。 順序空間上の後続推論のために,理論上動機付けされ,効率的な混合挙動を示すメトロポリス・ハスティングスアルゴリズムに対してランダム・ランダム(R2R)提案地区を導入する。 シミュレーション研究により,提案手法の強い経験的性能が確認され,大うつ病からの単一核RNAシークエンシングデータへの応用が実用性を示している。

関連論文リスト

• Sparse Additive Model Pruning for Order-Based Causal Structure Learning [4.55744151522751]
  因果構造学習は、変数間の因果関係を観測データから因果指向非巡回グラフ(DAG)の形式として推定することを目的としている。 主要なフレームワークの1つは、まず基礎となるDAGのトポロジカルな順序を推定し、次に推定されたトポロジカルな順序によって誘導される完全に連結されたDAGからの急激なエッジを推定する秩序に基づくアプローチである。 本稿では,余分なエッジを直接プルーニングできる,スパース加法モデルに基づく新しいプルーニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-17T02:06:42Z)
• Scalable Variational Causal Discovery Unconstrained by Acyclicity [6.954510776782872]
  観測データから得られた因果グラフ上の後部分布を学習するために,スケーラブルなベイズ的手法を提案する。 有効な非巡回因果グラフを生成することができる新しい微分可能なDAGサンプリング手法を提案する。 連続領域上の単純な変分分布を用いて因果グラフ上の後部分布をモデル化することができる。
  論文  参考訳（メタデータ） (2024-07-06T07:56:23Z)
• Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
  因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。 本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。 次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:51:58Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• 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)
• 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)
• Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
  我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。 マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。 理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
  論文  参考訳（メタデータ） (2021-11-03T22:10:18Z)
• Learning Bayesian Networks through Birkhoff Polytope: A Relaxation Method [0.0]
  我々は、ガウス線形構造方程式モデルからデータを生成する際に、有向非巡回グラフ(DAG)を学習するための新しい枠組みを確立する。 置換行列推定では,順序推定のNPハード問題を回避する緩和手法を提案する。 本フレームワークは,非循環性制約の高価な検証や,可能な親集合の列挙を必要とせずにDAGを復元する。
  論文  参考訳（メタデータ） (2021-07-04T15:04:02Z)

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。