論文の概要: GFCM: A Tail-Sensitive Mixed-Type Conditional Independence Test for Causal Discovery
- arxiv url: http://arxiv.org/abs/2608.15332v1
- Date: Sat, 15 Aug 2026 17:28:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.260785
- Title: GFCM: A Tail-Sensitive Mixed-Type Conditional Independence Test for Causal Discovery
- Title（参考訳）: GFCM:因果発見のための高感度混合型条件独立試験
- Abstract要約: 一般特徴共分散測定(GFCM)は、PC内での共分散を超えて、堅牢で有効である。
サイズ補正されたパワーの下で、GFCMはスケールとテールエッジを回復し、共分散ファミリーミスを発生させる。
大規模なPC内では、校正状態にあるテストの中で、最も低いスケルトンSHDが得られる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Constraint-based causal discovery like PC and FCI depends on its conditional independence test. Partial correlation and the Generalised Covariance Measure (GCM) detect only the conditional covariance of residuals, so they miss dependence in the mean's nonlinear part, the scale, and the tails. Tests that detect more are biased inside PC, not scalable, only continuous, or not aimed at the tails. Our Generalised Feature Covariance Measure (GFCM) is valid, sensitive beyond covariance, robust inside PC, and applicable to mixed-type data. It runs the GCM template on a configurable set of residual features with conditional mean zero (centered moments and conditional quantile indicators), pooled in blocks and combined by the Cauchy rule, with a growing-knot spline nuisance at regression cost. We contribute (i) a centering result making the scale feature Neyman orthogonal, where the uncentered version is biased; (ii) the orientation asymmetry the mean-quantile construction creates inside PC, and its fix; (iii) a Phi-faithfulness theory under which PC with GFCM recovers the CPDAG of the set's detection class; and (iv) a benchmark of CI tests sensitive beyond covariance on synthetic data, semi-synthetic tail injections, and PC discovery on random DAGs. Under size-corrected power, GFCM recovers the scale and tail edges the covariance family misses and alone keeps power at the deep conditioning sets PC issues. It stays calibrated as n grows, whereas FFCI, the boosted GCM, and the partial copula test do not, and it handles mixed-type data directly. Inside PC at scale it attains the lowest skeleton SHD among tests that stay calibrated, while the others inflate false edges. Validity rests on an additive nuisance, and the tail advantage is shown on simulated and semi-synthetic data, as no fully real benchmark with both heavy tails and known structure exists.
- Abstract（参考訳）: PCやFCIのような制約に基づく因果発見は、条件付き独立テストに依存する。
部分相関と一般化共分散測定(GCM)は残差の条件共分散のみを検出するため、平均の非線形部分、スケール、テールへの依存を欠く。
より多くの検出を行うテストはPC内部に偏りがあり、拡張性はなく、連続性のみであり、テールを目標としていない。
一般特徴共分散測定(GFCM)は有効であり、共分散を超え、PC内部で堅牢であり、混合型データに適用できる。
GCMテンプレートは、条件平均ゼロ(中心モーメントと条件量子化インジケータ)を持つ構成可能な残像のセット上で実行され、ブロックにプールされ、コーシー則によって結合される。
コントリビューション
i) スケール特徴をナイマン直交とする中心的結果であって,非中心的バージョンが偏りがあるもの
(ii)平均量子構造がPC内部に生み出す配向非対称性とその固定
三 GFCM付きPCが集合の検出クラスのPDAGを回復するPhi-faithfulness理論
(4)CIテストのベンチマークは, 合成データ, 半合成テールインジェクション, ランダムDAGによるPC発見など, 共分散以上に敏感である。
サイズ補正されたパワーの下では、GFCMはスケールとテールエッジを回復し、共分散ファミリーミスを解消し、PCの深い条件設定でのみ電力を維持できる。
nが成長するにつれて校正されるが、FFCI、強化されたGCM、部分的なコプラテストは行われず、混合型データを直接処理する。
大規模なPC内では、校正状態にあるテストの中で最も低い骨格SHDを獲得し、他のテストは偽のエッジを膨らませる。
妥当性は付加的なニュアンスに依存し、テールの優位性はシミュレートされた半合成データに示され、重いテールと既知の構造の両方を持つ完全な実ベンチマークは存在しない。
関連論文リスト
- Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - TwistedMerge: Certified Higher-Order Diagnostics and Abstention for Model Merging [0.48086260459837454]
我々は、チェックポイントが局所対象、アライメントマップが遷移、サイクル積が残留する有限降下問題としてマージを定式化する。
提案手法は, 定数エッジのNo-go結果, フリーズ・コンプレックスの3方向およびプレファミリーの誤差制御定理, 比較・複雑感度の精査試験である。
訓練された低ランク適応型監査では, 平均化係数は選択したGLr代表に依存するが, 大域的因子同期と高密度デルタSVDは安定である。
論文 参考訳（メタデータ） (2026-07-23T03:24:50Z) - Measuring the Dependency Gap: Diagnosing Inter-Column Fidelity in Tabular Generative Models [5.216183083750454]
本稿では,強い勾配型分類器2サンプルテスト (XGB-C2ST) を限界, 依存性, 数値カテゴリーのクロスコンポーネントに分解する依存性を考慮した忠実度診断法を提案する。
標準メトリクスが見逃し、マイノリティクラスのユーティリティを追跡する、真の依存性のギャップを公開します。
論文 参考訳（メタデータ） (2026-07-20T23:56:32Z) - Neural Conjugate Aggregation: Identifiable Unsupervised Multi-Sensor Regression under Heterogeneous Sensor Bias [0.0]
本研究では,不確実性下での回帰に基づくデータ融合について検討する。
この設定は、センサーネットワーク、シミュレーションアンサンブル、そして監視が費用がかかるか不可能である科学的な監視システムで発生する。
本稿では,ニューラルネットワークと共役ガウス推論を組み合わせた階層型ベイズフレームワークであるニューラル共役凝集モデル(NCAM)を提案する。
論文 参考訳（メタデータ） (2026-06-20T19:30:21Z) - PAIR-CI: Calibrated Conditional Independence Testing for Causal Discovery with Incomplete Data [0.0]
PAIR-CIは非パラメトリック条件独立(CI)テストであり,複数の命令を直接推論手順に統合することによりキャリブレーションを回復する。
確率的に一貫した分散推定器は、クロスバリデーションと多重計算による不確かさを共同で説明する。
論文 参考訳（メタデータ） (2026-05-06T12:34:37Z) - Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。
シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
論文 参考訳（メタデータ） (2026-04-11T10:47:22Z) - Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment [0.0]
本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。
OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
論文 参考訳（メタデータ） (2026-03-19T17:43:12Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
任意の因果モデルと異種データに対応する新しいFCD法を提案する。
これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。
提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-02-20T18:53:53Z) - Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal
Approach [51.012396632595554]
不変表現学習(IRL)は、不変因果的特徴から環境から切り離されたラベルへの予測を促進する。
最近の理論的結果は、IRLによって回復されたいくつかの因果的特徴は、訓練環境ではドメイン不変のふりをするが、目に見えない領域では失敗する。
本研究では,RS-SCMに関する条件付き相互情報に基づく手法を開発し,その効果を巧みに補正する。
論文 参考訳（メタデータ） (2023-12-15T12:58:05Z) - Controlling Moments with Kernel Stein Discrepancies [74.82363458321939]
Kernel Steindisrepancies (KSD) は分布近似の品質を測定する。
まず、弱収束制御に使用される標準KSDがモーメント収束制御に失敗することを示す。
次に、代替拡散KSDがモーメントと弱収束の両方を制御できる十分な条件を提供する。
論文 参考訳（メタデータ） (2022-11-10T08:24:52Z)
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。