論文の概要: Amortized Bayesian Causal Discovery of Extended Factor Graphs

• arxiv url: http://arxiv.org/abs/2607.22934v1
• Date: Fri, 24 Jul 2026 22:19:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.933304
• Title: Amortized Bayesian Causal Discovery of Extended Factor Graphs
• Title（参考訳）: 拡張因子グラフのアモート化ベイズ因果発見
• Abstract要約: 例えば、分子生物学では、大規模な摂動データから遺伝子制御ネットワークを明らかにすることが中心的な目的である。 Amortized Bayesian Causal Discovery of Extended Factor Graphs (ABCDEFG) を開発した。 ABCDEFGは正確な非巡回性を保証し、数千のノードからなるグラフにスケールし、ターゲットが不明な場合でも自然に介入を処理する。
• 参考スコア（独自算出の注目度）: 29.543464906136876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning causal graphs from interventional data is a challenging problem with broad applications. In molecular biology, for example, a central goal is to uncover gene regulatory networks from large-scale perturbation data. An ideal algorithm for this task should scale to thousands of nodes, incorporate interventions even when their targets are unknown, quantify uncertainty, and provide identifiability guarantees. However, existing approaches---e.g. approaches using score-based optimization or approximate Bayesian inference---often fail to meet all of these criteria. To address these limitations, we develop Amortized Bayesian Causal Discovery of Extended Factor Graphs (ABCDEFG). Our method guarantees exact acyclicity, scales to graphs with thousands of nodes, and naturally handles interventions even when their targets are unknown. Additionally, ABCDEFG estimates a posterior distribution whose maximum a posteriori estimate provably identifies the true causal graph up to an equivalence class. On simulated datasets, ABCDEFG achieves state-of-the-art accuracy, producing a well-calibrated posterior distribution while outperforming previous score-based and approximate Bayesian methods. Applied to large-scale single-cell perturbation data, ABCDEFG identifies both established and novel gene targets of growth factors.
• Abstract（参考訳）: 介入データから因果グラフを学習することは、幅広いアプリケーションにおいて難しい問題である。 例えば、分子生物学では、大規模な摂動データから遺伝子制御ネットワークを明らかにすることが中心的な目的である。 このタスクの理想的なアルゴリズムは、数千のノードにスケールし、ターゲットが不明な場合でも介入を取り入れ、不確実性を定量化し、識別可能性を保証する。 しかし、既存のアプローチ、例えばスコアベースの最適化やベイズ近似を用いたアプローチは、これらの基準を満たさないことが多い。 これらの制約に対処するため、ABCDEFG (Amortized Bayesian Causal Discovery of Extended Factor Graphs) を開発した。 提案手法は, 正確な非周期性を保証するとともに, 数千ノードのグラフにスケールし, 対象が不明な場合でも自然に介入する。 さらに、ABCDEFGは、最大後部推定値が真因果グラフを同値クラスまで確実に特定する後部分布を推定する。 シミュレーションデータセットでは、ABCDEFGは最先端の精度を達成し、事前のスコアベースおよび近似ベイズ法を上回りながら、よく校正された後続分布を生成する。 ABCDEFGは、大規模単一細胞摂動データに適用し、成長因子の確立された遺伝子標的と新規な遺伝子ターゲットの両方を同定する。

関連論文リスト

• FedCIGAR: A Personalized Reconstruction Approach for Federated Graph-level Anomaly Detection [51.473064583839296]
  クラスタ適応型GAted Reconstruction (FedCIGAR) を用いた新しいフェデレーショングラフレベルの異常検出手法を提案する。 具体的には、合成データを避けるために、正規グラフに基づいて訓練された再構成に基づくパラダイムを設計し、さらに、クライアント側ノードコントリビューションゲーティング機構とサーバ側スライディングウィンドウベースのクラスタリング戦略を導入し、データの不均一性に対処する。
  論文  参考訳（メタデータ） (2026-05-10T09:03:54Z)
• Large-Scale Bayesian Causal Discovery with Interventional Data [0.0]
  有向非巡回グラフ(DAG)の形で変数の集合間の因果関係を推定することは重要であるが、非常に難しい問題である。 介入データを用いた因果発見のための実証的ベイズ的枠組みであるインターベンショナルベイズ的因果発見(IBCD)を提案する。
  論文  参考訳（メタデータ） (2025-10-02T01:16:04Z)
• Sample Efficient Bayesian Learning of Causal Graphs from Interventions [6.823521786512908]
  本研究では,限られた介入サンプルを用いた因果グラフ学習におけるベイズ的アプローチについて考察する。 我々は,提案アルゴリズムが真の因果グラフを高い確率で返すことを理論的に示す。 本稿では,このアルゴリズムを,グラフ全体を学習することなく,より一般的な因果問題にどう対応できるかを示すケーススタディを提案する。
  論文  参考訳（メタデータ） (2024-10-26T05:47:56Z)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Adaptive Online Experimental Design for Causal Discovery [9.447864414136905]
  因果発見は因果グラフに符号化された因果関係を明らかにすることを目的としている。 オンライン学習の観点から,データの介入効率に着目し,因果発見を形式化する。 グラフ分離システムから介入を適応的に選択するトラック・アンド・ストップ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） (2024-05-19T13:26:33Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Large-Scale Differentiable Causal Discovery of Factor Graphs [3.8015092217142223]
  本稿では,非線形低ランク因果相互作用モデルへの探索空間の方法として,因子指向非巡回グラフ(f-DAG)の概念を導入する。 本稿では,f-DAG制約因果探索のスケーラブルな実装を提案する。
  論文  参考訳（メタデータ） (2022-06-15T21:28:36Z)
• 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)
• 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)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。