論文の概要: EML-CD: Causal Mechanism Recovery via EML Symbolic Trees in Structure Learning

• arxiv url: http://arxiv.org/abs/2606.05942v1
• Date: Thu, 04 Jun 2026 09:45:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.699166
• Title: EML-CD: Causal Mechanism Recovery via EML Symbolic Trees in Structure Learning
• Title（参考訳）: EML-CD:構造学習におけるEMLシンボリックツリーによる因果メカニズムの回復
• Authors: Sota Asanuma,
• Abstract要約: 本稿では,演算子(単一バイナリ演算子から関数を構成することができる)を因果構造学習に統合するフレームワークを提案する。 -CDは、各エッジ機構をゲート二分木として表現し、クローズドフォーム因果方程式を自動的に発見する。 解析的ヤコビアンは出力方程式から直接計算することができ、因果効果の定量的理解を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural network (NN)-based nonlinear causal discovery methods recover DAG structure but leave each causal mechanism as a black box. Waxman et al. argued that extracting causal mechanisms from NN weights is ill-posed. We propose EML-CD, a framework that integrates the EML operator (capable of composing elementary functions from a single binary operator) into causal structure learning, with interpretable mechanism recovery as the primary objective. EML-CD represents each edge mechanism as a gated EML binary tree and automatically discovers closed-form causal equations. Analytical Jacobians can be directly computed from the output equations, enabling quantitative understanding of causal effects. On real data (Sachs protein signaling, d=11), EML-CD achieves SHD=11.2 +/- 0.4 (5-seed mean; baselines are single deterministic runs), on par with PC/GES within seed variance and below CAM, while attaching closed-form equations to each detected edge (precision 0.756, recall 0.365). In a controlled bivariate test with known mechanisms, EML-CD recovers 10 of 11 elementary function families faithfully (held-out shape correlation >= 0.96; only high-frequency sine is partial). On a symbolic synthetic benchmark, EML-CD attains a substantially lower and more stable held-out mechanism f-MSE than a fixed SINDy dictionary (mean 3.67 vs. 7644, the latter inflated by catastrophic extrapolation on one seed), although its structure recovery (SHD 14.0) only matches the dictionary and stays below specialized optimizers; on the Causal Chambers light-tunnel subset, a depth-2 model improves F1 over linear OLS-BIC (0.444 vs. 0.273).
• Abstract（参考訳）: ニューラルネットワーク(NN)に基づく非線形因果発見手法はDAG構造を回復するが、各因果機構をブラックボックスとして残す。 Waxmanらは、NN重みから因果的なメカニズムを抽出するのは不適切であると主張した。 EML演算子(単一バイナリ演算子から基本関数を構成することができる)を因果構造学習に統合するフレームワークであるEML-CDを提案する。 EML-CDは、各エッジ機構をゲートEMLバイナリツリーとして表現し、クローズドフォーム因果方程式を自動的に発見する。 解析的ヤコビアンは出力方程式から直接計算することができ、因果効果の定量的理解を可能にする。 実データ(Sachs protein signaling, d=11)では、EML-CD は SHD=11.2 +/- 0.4 (5-seed mean; baselines is single deterministic run; on top with PC/GES within seed variance and under CAM, while adding closed-form equations to each detected edge (precision 0.756, recall 0.365)。 既知の機構を持つ制御された二変量試験において、EML-CDは11個の基本機能ファミリーのうち10個を忠実に回収する(保留形相関>=0.96;高周波正弦のみが部分的である)。 シンボリックシンセサイザーのベンチマークでは、EML-CDは固定されたSINDy辞書(平均3.67対7644)よりもかなり低く安定な保持機構f-MSE(平均3.67対7644)を達成しているが、その構造回復(SHD 14.0)は辞書と一致し、特別なオプティマイザの下に留まる。

関連論文リスト

• Convergence Theory for Iterative LLM-Based Neural Architecture Search: A Parametric Cross-Entropy Framework with Closed-Form Proxy Reliability [48.83701310501069]
  大規模言語モデル(LLM)は、反復型ニューラルアーキテクチャサーチ(NAS)におけるジェネレータとしてますます使われている。 我々は,LCM-NASを,実行可能プログラム上でのパラメトリッククロスエントロピー(CE)法としてモデル化する。 我々は,(1)エリートアーキテクチャの反復LEM微調整は,LLMファミリーに制限されたCE更新と同等であり,(2)期待されるアーキテクチャ品質はサイクル毎に単調に低下せず,(3)エリートセットの確率は幾何率で一定点に収束する,という6つの結果を示した。
  論文  参考訳（メタデータ） (2026-05-28T15:45:19Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• CasualSynth: Generating Structurally Sound Synthetic Data [44.80087038178069]
  大言語モデル(LLM)は、現実的な合成データを生成するが、その出力がターゲットドメインを管理する因果的メカニズムを尊重することを保証しない。 本稿では,意味的実現から因果構造の生成を分離するフレームワークCausal Synthを紹介し,因果的妥当性と言語学的にリッチな合成データを生成する。
  論文  参考訳（メタデータ） (2026-05-17T16:21:01Z)
• PRIM: Meta-Learned Bayesian Root Cause Analysis [6.537088094470879]
  PRIM (Prior-fitted Root cause Identification with Meta-learning) は因果メタラーニング手法である。 PRIMは、ベースラインと異常周期の間のデータ生成機構の変化を暗黙的に識別する。 明示的な統計的テストなしで分布差を推測し、テスト時にモデルフィッティングなしで因果構造を暗黙的に学習する。
  論文  参考訳（メタデータ） (2026-05-09T08:14:09Z)
• Hardware-Efficient Neuro-Symbolic Networks with the Exp-Minus-Log Operator [0.0]
  シェファー作用素 eml(x, y) = exp(x) - ln(y) は Odwolek (2026) によって示され、すべての標準基本関数を同一ノードのバイナリツリーとして表現するのに十分である。 我々は,従来のDNNアーキテクチャにプリミティブを組み込んで,トランクが分散表現を学習し,頭部が深さ境界のヘビースパースツリーとなるハイブリッド-EMLモデルを構築した。 多層パーセプトロン(MLP)および物理インフォームドニューラルネットワークに対する前方方程式の導出、計算コスト境界の証明、推論およびトレーニング加速度の導出を行う。
  論文  参考訳（メタデータ） (2026-04-15T13:34:10Z)
• MAT-Cell: A Multi-Agent Tree-Structured Reasoning Framework for Batch-Level Single-Cell Annotation [81.82645086402366]
  MAT-Cellは,単細胞解析を構築的で検証可能な証明生成に再構成する,ニューロシンボリック推論フレームワークである。 MAT-Cellは、適応型レトリーバル増強生成(RAG)を通じて、生物学的公理の基底神経推論に象徴的な制約を注入し、転写ノイズを減少させる。 最先端のSOTA(State-of-the-art)モデルを大幅に上回り、挑戦的なシナリオにおいて堅牢なパフォーマンスを維持します。
  論文  参考訳（メタデータ） (2026-04-07T04:56:06Z)
• Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
  Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。 既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
  論文  参考訳（メタデータ） (2025-02-15T19:10:35Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)

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。