論文の概要: Tensor-based second-order causal discovery

• arxiv url: http://arxiv.org/abs/2606.18074v2
• Date: Mon, 22 Jun 2026 18:30:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.221946
• Title: Tensor-based second-order causal discovery
• Title（参考訳）: テンソルに基づく2次因果発見
• Authors: Nathan Ouyang, Kexin Wang, Anna Seigal,
• Abstract要約: 因果発見は変数間の因果関係を明らかにすることを目的としている。 第二次因果発見(TSCD)というアルゴリズムを提案する。 TSCDはノイズに強く、既存の手法と競合し、数百の変数にスケールすることを示す。
• 参考スコア（独自算出の注目度）: 10.723101815261563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery seeks to uncover the causal dependencies among variables. For this purpose, we propose an algorithm called Tensor-based Second-order Causal Discovery (TSCD). Its input is a tensor obtained from the covariance matrices of observational and interventional data. Assuming the causal dependencies follow a linear structural equation model on a directed acyclic graph (DAG), TSCD outputs the DAG and the functions on its edges, requiring only that the noise variables are uncorrelated. We also implement a version of the approach for nonlinear models. Our focus on second-order statistics (via the covariance matrices) is motivated by their statistical and computational efficiency relative to higher-order moments, their identifiability relative to first-order statistics, and that they work regardless of whether the variables are Gaussian. We show that TSCD has identifiable causal order and parameters from a number of interventions that is logarithmic in the number of variables. Experiments show that TSCD is robust to noise, competitive with existing methods, and scales to hundreds of variables.
• Abstract（参考訳）: 因果発見は変数間の因果関係を明らかにすることを目的としている。 そこで本研究では,テンソルに基づく2次因果探索 (TSCD) と呼ばれるアルゴリズムを提案する。 その入力は観測データと干渉データの共分散行列から得られるテンソルである。 因果関係が有向非巡回グラフ(DAG)上の線形構造方程式モデルに従うとすると、TSCDはDAGとそのエッジ上の関数を出力し、ノイズ変数は非相関である。 また、非線形モデルに対するアプローチのバージョンを実装した。 共分散行列による)2次統計学への焦点は、高次モーメントに対する統計的および計算的効率、一次統計学に対する識別可能性、変数がガウス的かどうかに関わらず機能することによって動機づけられる。 TSCDは変数数に対数的な多くの介入から因果順序とパラメータを識別できることが示されている。 実験によると、TSCDはノイズに強く、既存の手法と競合し、数百の変数にスケールする。

関連論文リスト

• 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)
• A Latent Causal Inference Framework for Ordinal Variables [1.5293427903448027]
  Likertスケールのような正規変数は応用研究において一般的である。 因果推論の既存の方法は、名目または連続的なデータをターゲットにする傾向がある。
  論文  参考訳（メタデータ） (2025-02-14T16:33:21Z)
• Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding [1.6932009464531739]
  我々は,線形非ガウス構造方程式モデルについて考察する。 この設定では、因果構造は特定可能であるが、一般に、特定の因果効果を識別することはできない。
  論文  参考訳（メタデータ） (2024-08-09T07:24:12Z)
• 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)
• A Scale-Invariant Sorting Criterion to Find a Causal Order in Additive Noise Models [49.038420266408586]
  分散の増加による変数のソートは、しばしば因果順序に近い順序になることを示す。 本稿ではR2$-SortnRegressと呼ばれる,高いR2$-sortabilityを利用する効率的なベースラインアルゴリズムを提案する。 その結果,因果発見に関連するデータ生成プロセスの仮定として,R2$-sortabilityが高額であることが判明した。
  論文  参考訳（メタデータ） (2023-03-31T17:05:46Z)
• 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)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)

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。