論文の概要: DCD-PFN: A Decoupling-Aware Foundation Model for Causal Discovery

• arxiv url: http://arxiv.org/abs/2606.21212v1
• Date: Fri, 19 Jun 2026 08:30:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 07:21:38.039903
• Title: DCD-PFN: A Decoupling-Aware Foundation Model for Causal Discovery
• Title（参考訳）: DCD-PFN:因果発見のためのデカップリング対応基礎モデル
• Authors: Zhengkang Guan, Yikang Chen, Yi He, Yunze Tong, Zijing Hu, Haoyuan Qian, Fei Wu, Kun Kuang,
• Abstract要約: 因果発見は複雑なデータ生成機構を理解するために重要である。 近年,PFN(Presideed-Data Fitted Networks)に基づく基礎モデルでは,ゼロショット推論能力が著しく向上している。 因果発見のためのデカップリング対応基盤モデルであるDCD-PFNを提案する。
• 参考スコア（独自算出の注目度）: 43.33126904440643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery is critical for understanding complex data-generating mechanisms, yet traditional algorithms often struggle with highly non-linear and noisy systems, or suffer from severe computational bottlenecks. Recent tabular foundation models based on Prior-Data Fitted Networks (PFNs) have demonstrated remarkable zero-shot inference capabilities, but their potential for explicit structural causal discovery remains underexplored. To bridge this gap, we propose DCD-PFN, a decoupling-aware foundation model for causal discovery. Instead of directly amortizing global graph reconstruction, DCD-PFN focuses on local causal discovery through a decoupling-based paradigm. Through pre-training on diverse synthetic Structural Causal Models (SCMs), the model learns sample-wise decoupling weights that enable Markov boundary (MB) identification. Furthermore, by leveraging parallelized local discovery, DCD-PFN efficiently reconstructs global causal graphs while remaining grounded in the theoretical foundations of decoupling-based causal discovery. Experiments demonstrate that our foundation model achieves robust zero-shot generalization.
• Abstract（参考訳）: 因果発見は複雑なデータ生成機構を理解するために重要であるが、従来のアルゴリズムは高非線形でノイズの多いシステムに悩まされるか、深刻な計算ボトルネックに悩まされる。 先行データフィットネットワーク(PFN)に基づく最近の表層基盤モデルは、目覚ましいゼロショット推論能力を示したが、その構造因果探索の可能性は未解明のままである。 このギャップを埋めるため,因果発見のためのデカップリング対応基盤モデルであるDCD-PFNを提案する。 グローバルグラフ再構成を直接記憶するのではなく、DCD-PFNはデカップリングに基づくパラダイムによる局所因果発見に焦点を当てている。 多様な合成構造因果モデル(SCM)の事前学習を通じて、モデルはマルコフ境界(MB)識別を可能にするサンプルの分離重みを学習する。 さらに、並列化された局所的な発見を活用することで、DCD-PFNは、デカップリングに基づく因果グラフの理論的基礎を保ちながら、グローバル因果グラフを効率的に再構築する。 実験により, 基礎モデルがロバストなゼロショット一般化を実現することを示す。

関連論文リスト

• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• 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)
• FlexCausal: Flexible Causal Disentanglement via Structural Flow Priors and Manifold-Aware Interventions [1.7114074082429929]
  因果解離表現学習(Causal Disentangled Representation Learning)は、観測から低次元表現を学習し、解離することを目的とする。 本稿では,ブロック対角共分散VAEに基づく新しいCDRLフレームワークFlexCausalを提案する。 本フレームワークは,学習した潜在部分空間と基底-真理因果関係の正確な構造的対応を保証する。
  論文  参考訳（メタデータ） (2026-01-29T11:30:53Z)
• Relational Causal Discovery with Latent Confounders [11.833422037033001]
  本稿では,RelFCIを提案する。RelFCIは,潜在共同設立者との相関データに対する完全な因果探索アルゴリズムである。 本稿では,RelFCIが潜在共同設立者との因果関係モデルにおける正しい因果関係の同定に有効であることを示す。
  論文  参考訳（メタデータ） (2025-07-02T13:29:35Z)
• Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms [59.15672758767244]
  因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。 ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。 本稿では,複数視点因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-27T14:06:14Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Tree Search in DAG Space with Model-based Reinforcement Learning for Causal Discovery [6.772856304452474]
  CD-UCTは木探索に基づく因果探索のためのモデルに基づく強化学習手法である。 我々は、サイクルを導入するエッジを排除するための効率的なアルゴリズムの正しさを形式化し、証明する。 提案手法は離散確率変数と連続確率変数の両方を持つ因果ベイズネットワークに広く適用することができる。
  論文  参考訳（メタデータ） (2023-10-20T15:14:18Z)
• 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)

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。