Fugu-MT 論文翻訳(概要): DAG-FM: A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms

論文の概要: DAG-FM: A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms

arxiv url: http://arxiv.org/abs/2607.11510v1
Date: Mon, 13 Jul 2026 13:00:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-14 17:47:21.476358
Title: DAG-FM: A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms
Title（参考訳）: DAG-FM : 不均一因果機構による因果発見の基礎モデル
Authors: Yikang Chen, Zhengkang Guan, Haoyuan Qian, Peng Cui, Yi Yang, Kun Kuang,
Abstract要約: 因果発見を記憶する新しい基礎モデルアーキテクチャである textbfDAG-FM を提案する。直接行列予測とは異なり、DAG-FMは因果発見プロセスを2つの自己回帰段階に分解する。我々は,DAG-FMが,合成ベンチマークと複雑な実世界のデータセットの両方で最先端の性能を達成することを示す。
参考スコア（独自算出の注目度）: 48.57846236686172
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Causal discovery from observational tabular data remains fundamentally challenging, primarily due to the heterogeneity of underlying causal mechanisms and the high-dimensional combinatorial search space of Directed Acyclic Graphs (DAGs). In this paper, we propose \textbf{DAG-FM}, a novel foundation model architecture that amortizes causal discovery. Unlike direct matrix prediction, DAG-FM decomposes the causal discovery process into two auto-regressive stages using two specialized Transformer-based sub-modules: a leaf-node predictor and a parent-node predictor. To effectively model complex row-column interactions, we adopt a robust tabular interaction block to output feature-wise representations. Crucially, to handle diverse and unknown Functional Causal Model (FCM) assumptions in real-world scenarios, we introduce Mixture-of-Leaf-Experts (MoLE), allowing the model to dynamically route and adapt to identifiable mechanism families. Through an iterative inference algorithm, DAG-FM seamlessly extracts causal orderings and constructs valid DAGs. Extensive experiments demonstrate that DAG-FM achieves state-of-the-art performance on both synthetic benchmarks and complex real-world datasets, significantly outperforming traditional classical algorithms and recent foundation models in both accuracy and scalability.
Abstract（参考訳）: 観測表データからの因果発見は、主に根底にある因果機構の不均一性と、方向非巡回グラフ(DAG)の高次元組合せ探索空間のため、基本的には困難である。本稿では、因果発見を記憶する新しい基礎モデルアーキテクチャである「textbf{DAG-FM}」を提案する。直接行列予測とは異なり、DAG-FMは2つのトランスフォーマーベースのサブモジュール(葉ノード予測器と親ノード予測器)を用いて因果発見プロセスを2つの自己回帰段階に分解する。複雑な行列間相互作用を効果的にモデル化するために,特徴量表現の出力に頑健なタブ状相互作用ブロックを用いる。実世界のシナリオにおける多様で未知の機能的因果モデル(FCM)の仮定を扱うために,Mixture-of-Leaf-Experts (MoLE)を導入する。反復推論アルゴリズムにより、DAG-FMは因果順序をシームレスに抽出し、有効なDAGを構成する。大規模な実験により、DAG-FMは、合成ベンチマークと複雑な実世界のデータセットの両方で最先端のパフォーマンスを達成し、従来のアルゴリズムと最近の基礎モデルを精度とスケーラビリティの両方で大幅に上回っている。

関連論文リスト

CDFM: Towards a General-Purpose Causal Discovery Foundation Model [62.32138962508216]
因果発見は、観測データから根底にある因果構造を復元する過程である。ゼロショット構造推論のための統一的汎用フレームワークとしてCausal Discovery Foundation Model (CDFM) を定式化する。 CDFMは従来のアルゴリズムを一貫して上回り、汎用因果発見基盤モデルへのパラダイムシフトを推進している。
論文参考訳（メタデータ） (2026-07-13T12:58:28Z)
CausalMoE: A Billion-Scale Multimodal Foundation Model for Granger Causal Discovery with Pattern-Routed Heterogeneous Experts [25.563603697914242]
数十億のマルチモーダル・グランガー因果基盤モデルであるCausalMoEを提案する。 CaulMoEは、潜時パターンを動的に識別する、異種エキスパートのパターン制御混合を導入する。また、変数間で動作し、スパースグランガー因果グラフを生成する因果自覚機構を設計する。
論文参考訳（メタデータ） (2026-06-11T07:57:23Z)
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)
DAGAF: A directed acyclic generative adversarial framework for joint structure learning and tabular data synthesis [2.0459575802588237]
本稿では,因果構造学習と表型データ合成を両立できる新しい2段階フレームワークを提案する。我々のアプローチでは、データ変数間の因果関係を表現するために、DAG(Directed Acyclic Graphs)を用いている。 ANM, LiNGAM, Post-Nonlinear Model (PNL) などの機能的因果モデルを適用することにより, DAGの内容が暗黙的に学習され, 観測データの生成過程をシミュレートする。
論文参考訳（メタデータ） (2026-04-05T22:13:00Z)
A Fixed-Point Approach for Causal Generative Modeling [20.88890689294816]
本稿では,構造因果モデル(Structure Causal Models, SCM)を因果順序付き変数の固定点問題として記述する新しい形式論を提案する。トポロジカル順序付け(TO)を考えると,その特異な回復のために最も弱い既知の条件を確立する。
論文参考訳（メタデータ） (2024-04-10T12:29:05Z)
Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
論文参考訳（メタデータ） (2024-02-09T07:18:06Z)
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)

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。