論文の概要: Learning Temporal Causal Structure via Smooth Differentiable Optimization

• arxiv url: http://arxiv.org/abs/2606.03227v1
• Date: Tue, 02 Jun 2026 06:42:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.811985
• Title: Learning Temporal Causal Structure via Smooth Differentiable Optimization
• Title（参考訳）: 滑らかな微分可能最適化による時間因果構造学習
• Authors: Tong Zhao, Ce Guo, Wayne Luk, Emil Lupu, Ray Dipojjwal,
• Abstract要約: 検出精度と効率の両面で、12のベースラインと比較して、全体的なパフォーマンスが最高である。 大規模なベンチマークでは、強力なスケーラビリティが示され、競合するメソッドよりも6倍以上のスピードアップを実現している。
• 参考スコア（独自算出の注目度）: 11.234374022093341
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery with instantaneous effects in multivariate time series is challenging, as the instantaneous structure must be acyclic. Prior methods enforce this by either separating instantaneous and lagged estimation into multi-stage pipelines or imposing algebraic acyclicity constraints via complex augmented Lagrangian optimization, both of which incur high computational cost. In this work, we propose a different approach: we learn a differentiable permutation of variables using the Gumbel--Sinkhorn operator and triangularize the instantaneous coefficient matrix of a Structural Vector Autoregressive (SVAR) model in the learned order. This converts acyclicity from a hard constraint into a parameterization and keeps it valid throughout optimization. In doing so, our method enables unified, continuous optimization with gradient-based learning, leading to improved efficiency in time--series causal discovery. Across three real-world benchmarks, our method achieves the best overall performance compared with 12 baselines in both discovery accuracy and efficiency. On the large-scale benchmark, it further demonstrates strong scalability, achieving more than a 6x speedup over competing methods.
• Abstract（参考訳）: 多変量時系列における瞬時効果による因果発見は、瞬時構造が非環状でなければならないため困難である。 従来の手法では、瞬時推定とラタグ推定を多段パイプラインに分割するか、複雑な拡張ラグランジアン最適化によって代数的非巡回性制約を課すことで、どちらも高い計算コストを発生させる。 本研究では,Gumbel-Sinkhorn演算子を用いて変数の微分可能な置換を学習し,構造ベクトル自己回帰モデル(SVAR)の瞬時係数行列を学習順序で三角化する手法を提案する。 これにより、非巡回性をハード制約からパラメータ化に変換し、最適化を通して有効に保ちます。 そこで本手法は,勾配学習による一貫した連続的最適化を実現し,時系列因果探索の効率化を実現する。 実世界の3つのベンチマークにおいて,本手法は発見精度と効率の両面で,12のベースラインと比較して,最高の総合的な性能を達成している。 大規模なベンチマークでは、強力なスケーラビリティが示され、競合するメソッドよりも6倍以上のスピードアップを実現している。

関連論文リスト

• Online Learning with Gradient-Variation Interval Regret [54.59204826681113]
  そこで本研究では,勾配変動を伴う時間間隔のリフレッシュなスケーリングを実現するオンライン学習アルゴリズムを提案する。 提案手法では, よりシンプルで効率的な2層オンラインアンサンブル構造を用いて, 高い理論的保証を実現する。
  論文  参考訳（メタデータ） (2026-06-02T16:16:45Z)
• Efficient Differentiable Causal Discovery via Reliable Super-Structure Learning [51.20606796019663]
  本稿では,新たな因果発見パイプラインであるALVGLを提案する。 ALVGLはスパース分解とローランク分解を用いてデータの精度行列を学習する。 ALVGLは最先端の精度を達成するだけでなく、最適化効率を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-01-09T02:18:59Z)
• Accelerating Optimization via Differentiable Stopping Time [5.043563227694138]
  一般的な定式化は、与えられた時間に低い損失を達成することである。 目標損失に達するまでの時間を最小化する双対は、時間が異なるため、微分不可能であると考えられている。 本稿では、微分方程式に基づいて、微分可能な停止時間を提案し、理論的に正当化する。
  論文  参考訳（メタデータ） (2025-05-28T15:59:13Z)
• Accelerated First-Order Optimization under Nonlinear Constraints [61.98523595657983]
  我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。 これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
  論文  参考訳（メタデータ） (2023-02-01T08:50:48Z)
• The Curse of Unrolling: Rate of Differentiating Through Optimization [35.327233435055305]
  未分化は反復解法を用いて解を近似し、計算経路を通して解を微分する。 我々は,(1)高速収束につながる大きな学習率を選択することができるが,アルゴリズムが任意に長いバーンインフェーズを持つことを受け入れるか,あるいは(2)即時収束につながるより少ない学習率を選択するかのどちらかを示す。
  論文  参考訳（メタデータ） (2022-09-27T09:27:29Z)
• Nesterov Accelerated ADMM for Fast Diffeomorphic Image Registration [63.15453821022452]
  ディープラーニングに基づくアプローチの最近の発展は、DiffIRのサブ秒間実行を実現している。 本稿では,中間定常速度場を機能的に構成する簡易な反復スキームを提案する。 次に、任意の順序の正規化項を用いて、これらの速度場に滑らかさを課す凸最適化モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-26T19:56:45Z)
• Apollo: An Adaptive Parameter-wise Diagonal Quasi-Newton Method for Nonconvex Stochastic Optimization [17.219297142656828]
  非ギスブ最適化のための準ニュートン法を導入し、ヘッセンによる損失の曲率を動的に組み込む。 アルゴリズムの実装はhttps://www.xuezmax.com/XuezMax/apolloで公開されている。
  論文  参考訳（メタデータ） (2020-09-28T19:07:02Z)
• Single-Timescale Stochastic Nonconvex-Concave Optimization for Smooth Nonlinear TD Learning [145.54544979467872]
  本稿では,各ステップごとに1つのデータポイントしか必要としない2つの単一スケールシングルループアルゴリズムを提案する。 本研究の結果は, 同時一次および二重側収束の形で表される。
  論文  参考訳（メタデータ） (2020-08-23T20:36:49Z)

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。