論文の概要: SVI-DAG: A Structured Variational Inference Approach to Bayesian Causal Discovery

• arxiv url: http://arxiv.org/abs/2608.04930v1
• Date: Wed, 05 Aug 2026 14:56:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.965997
• Title: SVI-DAG: A Structured Variational Inference Approach to Bayesian Causal Discovery
• Title（参考訳）: SVI-DAG:ベイズ因果発見のための構造的変分推論手法
• Authors: Shrenik Zinage,
• Abstract要約: SVI-DAGは因果発見のための構造的変分推論手法である。 DAG上での表現的およびマルチモーダルな後進学習をサポートする。 SVI-DAGを5つの最先端ベイズDAG学習法と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian causal discovery seeks to determine the posterior distribution of causal theories, which are interpreted as directed acyclic graphs (DAGs) that explain the observed data. The resulting posterior allows systematic reasoning regarding epistemic uncertainty within these theories. Nonetheless, finding such graphs is difficult due to identifiability problems and limited observational data. Furthermore, precisely approximating posterior over graphs is challenging given vast range of potential DAGs. Recent Bayesian approaches have addressed some of these challenges, yet they remain limited as they fail to encode dependencies between edges, and lack principled ways to incorporate domain knowledge as inductive biases during the search process. To overcome these limitations, we propose SVI-DAG, a structured variational inference approach to Bayesian causal discovery using observational data and prior beliefs that uses normalizing flows to model dependencies between edges, supporting expressive and multimodal posterior learning over DAGs. To mitigate mode seeking behaviour in evidence lower bound optimization and promote mode coverage, we use stein variational gradient descent to update the node potentials using a kernel in acyclicity space. We evaluate SVI-DAG against 5 state-of-the-art Bayesian DAG learning methods and demonstrate superior performance in uncertainty quantification while remaining competitive in terms of structural accuracy.
• Abstract（参考訳）: ベイズ因果発見は、観測されたデータを説明する有向非巡回グラフ(DAG)として解釈される因果理論の後方分布を決定することを試みる。 結果として得られた後部理論は、これらの理論における疫学的な不確実性に関する体系的な推論を可能にしている。 それでも、識別可能性の問題や観測データに制限があるため、そのようなグラフを見つけることは困難である。 さらに、膨大な潜在的なDAGが与えられた場合、グラフの後方を正確に近似することは困難である。 近年のベイズ的アプローチはこれらの課題のいくつかに対処しているが、エッジ間の依存関係の符号化に失敗し、ドメイン知識を帰納的バイアスとして組み込む原則が欠如しているため、制限されている。 これらの制約を克服するために,観測データと先行信念を用いたベイズ因果探索のための構造的変分推論手法であるSVI-DAGを提案する。 そこで我々は,非周期空間におけるカーネルを用いたノード電位の更新にスタイン変分勾配勾配法を用いて,エビデンスにおけるモード探索動作の緩和とモードカバレッジの促進を行う。 我々は,5つの最先端ベイズDAG学習法に対してSVI-DAGを評価し,構造的精度において競争力を維持しつつ,不確実な定量化において優れた性能を示す。

関連論文リスト

• GTS: Inference-Time Scaling of Latent Reasoning with a Learnable Gaussian Thought Sampler [54.10960908347221]
  我々は、学習可能な密度から条件付きサンプリングとして潜在思考探索をモデル化し、このアイデアをガウス思想サンプリング(GTS)としてインスタンス化する。 GTSは、連続的推論状態における文脈依存摂動分布を予測し、バックボーンを凍結させながらGRPOスタイルのポリシー最適化を訓練する。
  論文  参考訳（メタデータ） (2026-02-15T09:57:47Z)
• Variational DAG Estimation via State Augmentation With Stochastic Permutations [16.57658783816741]
  ベイズネットワークの構造を観測データから推定することは統計的かつ計算的に難しい問題である。 確率的推論の観点から、主な課題は(i) DAG 制約を満たすグラフ上の分布を表すこと、(ii) 基礎空間上の後方を推定することである。 そこで本稿では,DAGと置換の強化空間上に共同分布を定式化することにより,これらの課題に対処するアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-04T23:51:04Z)
• 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)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• 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)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)

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。