論文の概要: Concomitant DAG Learning: On the Roles of Noise Adaptivity, Sparsity, and Non-negativity

• arxiv url: http://arxiv.org/abs/2605.23537v1
• Date: Fri, 22 May 2026 12:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.333425
• Title: Concomitant DAG Learning: On the Roles of Noise Adaptivity, Sparsity, and Non-negativity
• Title（参考訳）: 共用DAG学習:騒音適応性、疎性、非負性の役割について
• Abstract要約: 有向非巡回グラフ(DAG)は、複雑なシステムにおける因果関係の原理的推論を可能にする。 ほとんどの古典的な構造同定アプローチは、非循環を強制することの難しさと、潜在ノイズや異種ノイズから生じる識別可能性の難しさの2つの主要な障害に直面している。 本チュートリアルでは、DAG構造学習を連続的なスコアベース推定問題として再キャストすることで、最近の信号処理とこれらの問題に対処する進歩について概説する。
• 参考スコア（独自算出の注目度）: 14.977112037008224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Directed acyclic graphs (DAGs) constitute a central modeling tool to enable principled reasoning about cause-effect interactions in complex systems. However, since the causal structure underlying a group of variables is often unknown and interventions may be infeasible or ethically challenging to implement, there is a need to address the task of inferring DAGs from observational data. However, most classical structure identification approaches face two key obstacles: the combinatorial challenge of enforcing acyclicity, which severely limits scalability, and identifiability challenges arising from latent confounding or heterogeneous noise. This tutorial offers an overview of recent signal processing and optimization advances that address these issues by recasting DAG structure learning as a continuous, score-based estimation problem over adjacency matrices. We begin with a didactic introduction to structural equation models and the formulation of causal graph recovery, followed by a historical survey of score-based methods ranging from early combinatorial search schemes and greedy heuristics to modern continuous frameworks that leverage smooth characterizations of acyclicity. Building on this foundation, we describe concomitant DAG estimation methods that jointly infer sparse causal structure and exogenous noise levels, improving robustness under heteroscedasticity and distribution shifts by rendering the estimator noise adaptive. All in all, the tutorial introduces readers to challenges and opportunities for signal processing research at the crossroads of causal inference, high-dimensional statistics, and scalable graph learning, while outlining emerging directions including online, nonlinear, and neural causal discovery.
• Abstract（参考訳）: 有向非巡回グラフ(DAG)は、複雑なシステムにおける因果関係の原理的推論を可能にする中心的モデリングツールである。 しかし、変数群を基盤とする因果構造はよく知られておらず、介入が実行不可能または倫理的に困難な場合があるため、観測データからDAGを推定する作業に対処する必要がある。 しかし、ほとんどの古典的な構造同定アプローチは、スケーラビリティを著しく制限する非循環の強制という組合せ的挑戦と、潜伏した不均一なノイズや不均一なノイズから生じる識別可能性の問題という2つの大きな障害に直面している。 本チュートリアルでは,DAG構造学習を隣接行列上での連続的スコアベース推定問題として再キャストすることで,これらの問題に対処する信号処理と最適化の最近の進歩について概説する。 まず、構造方程式モデルと因果グラフ回復の定式化を実践し、その後、初期の組合せ探索スキームや強欲なヒューリスティックスから、非循環のスムーズなキャラクタリゼーションを利用する現代の連続フレームワークまで、スコアベースの手法の歴史的調査を行った。 この基礎の上に、疎因果構造と外因性雑音レベルを共同で推定し、不整合性の下で頑健さを向上し、推定器雑音を適応させることにより分布シフトを改善する共役DAG推定法について述べる。 全体として、このチュートリアルは読者に、因果推論、高次元統計学、スケーラブルなグラフ学習のクロスロードにおける信号処理研究の課題と機会について紹介し、オンライン、非線形、神経因果発見を含む新たな方向性を概説している。

関連論文リスト

• Deep Gaussian Processes on Directed Acyclic Graphs [11.74273181198187]
  多くの実世界のプロセスは、有向非巡回グラフ(DAG)に沿った関数の合成として表現できる。 これらの機能はDAG全体で部分的に観察され、ノイズや不均一なサンプル測定が行われる。 理論的には, その事前崩壊挙動と, グラフトポロジと中間観測が情報保存に及ぼす影響について検討する。 グラフ依存を保ち、構成の不確実性を保ち、衝突者の説明的振る舞いを捉える構造的変動近似を提供する。
  論文  参考訳（メタデータ） (2026-07-10T17:41:11Z)
• TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery [47.81267771630766]
  因果発見基盤モデル(CDFM)は、データセットを単一前方パスの因果グラフに直接マッピングすることで、この問題を改善しようとしている。 本研究では,多彩なグラフ事前学習を訓練したデータ駆動CDFMであるTabCausalを提案する。
  論文  参考訳（メタデータ） (2026-05-29T11:05:43Z)
• PACER: Acyclic Causal Discovery from Large-Scale Interventional Data [8.724450642752103]
  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。
  論文  参考訳（メタデータ） (2026-05-14T19:26:53Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• 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)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Generalized Criterion for Identifiability of Additive Noise Models Using Majorization [7.448620208767376]
  本稿では,有向非巡回グラフ(DAG)モデルに対する新しい識別可能性基準を提案する。 この基準が既存の識別可能性基準を拡張し、一般化することを実証する。 本稿では,変数のトポロジ的順序付けを学習するための新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-08T02:18:57Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Order-based Structure Learning with Normalizing Flows [7.972479571606131]
  観測データの因果構造を推定することは、グラフサイズと超指数的にスケールする難しい探索問題である。 既存の手法では、連続緩和を用いてこの問題を計算的に取り扱えるようにしているが、しばしばデータ生成過程を加法雑音モデル(ANM)に制限する。 自己回帰正規化フローを用いてこれらの仮定を緩和するフレームワークである,正規化フローを用いた秩序に基づく構造学習(OSLow)を提案する。
  論文  参考訳（メタデータ） (2023-08-14T22:17:33Z)
• Heteroscedastic Causal Structure Learning [2.566492438263125]
  ガウス雑音下での不連続因果構造学習問題に取り組む。 因果的機構の正常性を利用して、有効な因果的順序付けを復元することができる。 その結果,単純な因果構造学習アルゴリズムHOST (Heteroscedastic causal STructure Learning) が得られた。
  論文  参考訳（メタデータ） (2023-07-16T07:53:16Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• 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)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。