論文の概要: Stable Causal Discovery via Directed Acyclic Graph Aggregation

• arxiv url: http://arxiv.org/abs/2605.18633v1
• Date: Mon, 18 May 2026 16:41:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:50.097482
• Title: Stable Causal Discovery via Directed Acyclic Graph Aggregation
• Title（参考訳）: 有向非巡回グラフアグリゲーションによる安定因果発見
• Authors: Yunan Wu, Yue Wang, Chunlin Li, Chenglong Ye,
• Abstract要約: 誘導非巡回グラフ(DAG)は複雑な系における因果構造を明らかにする中心である。 複数の候補DAGを1つの安定表現に集約するモデル平均化フレームワークであるDAGgrを提案する。 ブートストラップ・アグリゲーション・ベースラインを常に上回りながら,DAGgrは最高の個人候補と一致または超えていることを示す。
• 参考スコア（独自算出の注目度）: 7.490209955333202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Directed Acyclic Graphs (DAGs) are central to uncovering causal structure in complex systems, yet learning a single DAG from data is often challenging: model uncertainty, finite samples, and a combinatorially large search space frequently yield unstable estimates. We propose DAGgr, a model averaging framework that aggregates multiple candidate DAGs into a single stable representation. Candidate graphs are weighted by their out-of-sample predictive likelihood across repeated data splits, and a thresholding rule on the resulting edge-importance scores guarantees that the aggregated graph is itself acyclic. We establish a finite-sample risk bound, prove that the procedure preserves acyclicity, and show that edge selection is consistent under mild conditions on the weights. Simulations across random, hub, and chain structures, together with an analysis of the Sachs et al. (2005) protein-signaling network, show that DAGgr matches or exceeds the best individual candidate while consistently outperforming bootstrap-aggregation baselines across structural recovery metrics.
• Abstract（参考訳）: 有向非巡回グラフ(DAG)は複雑なシステムの因果構造を明らかにする中心であるが、データから単一のDAGを学習することはしばしば困難である:モデルの不確実性、有限サンプル、および組合せ的に大きな探索空間はしばしば不安定な推定をもたらす。 複数の候補DAGを1つの安定表現に集約するモデル平均化フレームワークであるDAGgrを提案する。 候補グラフは、繰り返しのデータ分割にまたがるアウト・オブ・サンプル予測可能性によって重み付けされ、結果として得られるエッジ重要度スコアのしきい値ルールは、集約グラフ自体が非循環であることを保証している。 有限サンプルのリスクバウンドを確立し、その手順が非巡回性を保存することを証明し、エッジ選択がウェイト上の穏やかな条件下で一貫していることを示す。 ランダム、ハブ、チェーン構造をまたいだシミュレーションと、Sas Sachs et al (2005) のタンパク質シグナリングネットワークの解析により、DAGgrは、構造回復指標全体のブートストラップ・アグリゲーションベースラインを一貫して上回りながら、最高の個人候補と一致または超えることを示した。

関連論文リスト

• SEED: Targeted Data Selection by Weighted Independent Set [76.92528228676969]
  我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。 SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-15T07:26:54Z)
• Leveraging heterogeneity for identifiability: Bayesian order-based learning of multiple DAGs [0.5801044612920815]
  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。
  論文  参考訳（メタデータ） (2026-05-15T05:43:59Z)
• A Topological Sorting Criterion for Random Causal Directed Acyclic Graphs [44.42106270319047]
  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。
  論文  参考訳（メタデータ） (2026-05-07T13:56:40Z)
• Balanced Aggregation: Understanding and Fixing Aggregation Bias in GRPO [70.38763678943648]
  検証可能な報酬(RLVR)による強化学習は、大規模言語モデルにおける推論とコード生成を改善するための中心的なパラダイムとなっている。 標準的なGRPOはシーケンスアグリゲーションを使用し、最近の研究はトークンアグリゲーションをより良い代替手段として提唱している。 トークンアグリゲーションは符号長結合を導入し、シーケンスアグリゲーションは暗黙的にダウンウェイトを延長する。
  論文  参考訳（メタデータ） (2026-04-14T09:48:46Z)
• 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)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• 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)
• 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)

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。