論文の概要: Learning Sparsest Linear Causal DAGs with Latent Confounders via Higher-Order Cumulants

• arxiv url: http://arxiv.org/abs/2607.05984v1
• Date: Tue, 07 Jul 2026 08:17:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.452298
• Title: Learning Sparsest Linear Causal DAGs with Latent Confounders via Higher-Order Cumulants
• Title（参考訳）: 高次数演算子を用いたLinear Causal DAGの学習
• Abstract要約: そこで本稿では,潜伏する共同設立者数に制限を加えることなく,最短DAGを回復するための有限サンプル法を提案する。 シミュレーション研究と実データ解析により,提案手法は既存手法と比較して優れた有限サンプル性能が得られることを示した。
• 参考スコア（独自算出の注目度）: 8.776167280386037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recovering the exact directed acyclic graph (DAG) in linear non-Gaussian acyclic models with latent confounders (LvLiNGAM) remains a challenging problem. Although LvLiNGAM is identifiable only up to an observational equivalence class, each equivalence class is characterized by a unique sparsest DAG. Recovering the sparsest DAG from finite samples, however, remains difficult. Although existing methods are asymptotically consistent, they do not provide an explicit finite-sample procedure for recovering the unique sparsest DAG, nor do they handle models with an arbitrary number of latent confounders. In this paper, we propose a finite-sample method for recovering the sparsest DAG without imposing any restriction on the number of latent confounders. Simulation studies and real-data analyses demonstrate that the proposed method achieves superior finite-sample performance compared with existing approaches.
• Abstract（参考訳）: 線形非ガウス的非巡回モデル(LvLiNGAM)において、正確な有向非巡回グラフ(DAG)を復元することは、依然として困難な問題である。 LvLiNGAMは観測等価クラスまでしか識別できないが、各同値クラスは特異なスペルシストDAGによって特徴づけられる。 しかし, 有限試料から最も長いDAGを回収することは依然として困難である。 既存の手法は漸近的に整合性があるが、一意のDAGを復元するための明示的な有限サンプル手順を提供しておらず、また、任意の数の潜伏した共同設立者のモデルも扱わない。 本稿では,潜伏する共同設立者数に制限を加えることなく,最も広いDAGを回復するための有限サンプル法を提案する。 シミュレーション研究と実データ解析により,提案手法は既存手法と比較して優れた有限サンプル性能が得られることを示した。

関連論文リスト

• From Scores to Gibbs Correctors: Accelerating Uniform-Rate Discrete Diffusion Models [58.02657021435213]
  我々は、Gibs-Accelerated Discrete Diffusion (GADD)と呼ばれる離散拡散モデルのための新しいGibsベースの修正器を提案する。 我々はGADDが$mathcalO(mathrmpolylog (varepsilon-1)$の総合的なサンプリング複雑性を達成し、均一レートの離散拡散モデルに対する拡散に基づくサンプリング者にとって最初のレートとなることを示す。
  論文  参考訳（メタデータ） (2026-05-26T17:52:28Z)
• Exploiting Non-Negativity in DAG Structure Learning [25.970789484705318]
  本研究は,線形構造方程式モデルにより生成される結節観測から有向グラフ(DAG)を学習する問題に対処する。 正規化非負のDAG学習問題を定式化し、乗算器の手法に基づくアルゴリズムを開発する。 合成および実世界のデータを用いた実験により,提案手法は最先端の連続DAG学習法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-05-19T15:03:33Z)
• Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
  制約を克服するオイラー法に対する全変分に基づく解析法を開発した。 その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。 全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
  論文  参考訳（メタデータ） (2026-02-26T00:47:51Z)
• Nonlinear Causal Discovery through a Sequential Edge Orientation Approach [5.807183284468881]
  完全部分DAGにおける非方向エッジの順序付け手順を提案する。 制限されたANMを仮定して真の因果DAGを回復できることが証明された。 非線形ANMのもとで因果DAGを学習するための制約に基づく新しいアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-06-05T21:08:13Z)
• Non-negative Weighted DAG Structure Learning [12.139158398361868]
  本研究は,真DAGを夜間観測から学習する問題に対処する。 本稿では, ar を返すことが保証される手法に基づく DAG 回復アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-12T09:41:29Z)
• CoLiDE: Concomitant Linear DAG Estimation [12.415463205960156]
  観測データから線形方程式への非巡回グラフ構造学習の問題に対処する。 本稿では,空間認識学習DAGのための新しい凸スコア関数を提案する。
  論文  参考訳（メタデータ） (2023-10-04T15:32:27Z)
• BayesDAG: Gradient-Based Posterior Inference for Causal Discovery [30.027520859604955]
  マルコフ・チェイン・モンテカルロと変分推論を組み合わせたスケーラブルな因果探索フレームワークを提案する。 本手法では,DAG正則化を必要とせず,直接後部からDAGを採取する。 我々は、置換に基づくDAG学習に新しい等価性をもたらし、置換によって定義された緩和された推定器を使用する可能性を開く。
  論文  参考訳（メタデータ） (2023-07-26T02:34:13Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• Clipped Stochastic Methods for Variational Inequalities with Heavy-Tailed Noise [64.85879194013407]
  単調なVIPと非単調なVIPの解法における信頼度に対数的依存を持つ最初の高確率結果が証明された。 この結果は光尾の場合で最もよく知られたものと一致し,非単調な構造問題に新鮮である。 さらに,多くの実用的な定式化の勾配雑音が重く,クリッピングによりSEG/SGDAの性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-06-02T15:21:55Z)
• Pessimistic Q-Learning for Offline Reinforcement Learning: Towards Optimal Sample Complexity [51.476337785345436]
  有限水平マルコフ決定過程の文脈におけるQ-ラーニングの悲観的変種について検討する。 ほぼ最適サンプル複雑性を実現するために,分散再現型悲観的Q-ラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-28T15:39:36Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)

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。