論文の概要: Causal Discovery in Equal Variance Linear Gaussian DAGs via SURE-Tuned Ridge Regression

• arxiv url: http://arxiv.org/abs/2608.17132v1
• Date: Mon, 17 Aug 2026 21:07:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.131989
• Title: Causal Discovery in Equal Variance Linear Gaussian DAGs via SURE-Tuned Ridge Regression
• Title（参考訳）: SURE-Tuned Ridge Regressionによる等変リニアガウスDAGの因果発見
• Abstract要約: SURE-Ridge は等分散線型ガウス SEM に対する非定性閉形式推定器である。 これは、小サンプル状態における最小構造ハミング距離と、テストされた全てのサンプルサイズで最低実行時間を達成する。
• 参考スコア（独自算出の注目度）: 18.884190660925444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recovering the directed acyclic graph (DAG) of a structural equation model (SEM) from observational data is a central problem in causal discovery. The iterative gradient descent and per-problem hyperparameter tuning of continuous-optimization methods are poorly suited to two practically important regimes: the sample-limited regime, where the number of samples is comparable to or smaller than the number of nodes in the DAG, and the compute-limited regime. This work proposes SURE-Ridge, a non-iterative, closed-form estimator for equal variance linear Gaussian SEM. The method performs parallel node-wise regressions with regularization parameters chosen adaptively by Stein's unbiased risk estimate (SURE), and applies an adaptive thresholding procedure to extract a DAG from the resulting soft adjacency matrix. Numerical results show that SURE-Ridge achieves the lowest structural Hamming distance in the small-sample regime and the lowest run time across all sample sizes tested, compared with NOTEARS, DAGMA, and GBNSL baselines.
• Abstract（参考訳）: 構造方程式モデル(SEM)の有向非巡回グラフ(DAG)を観測データから復元することは因果発見の中心的な問題である。 連続最適化法における反復勾配降下法と各プロブレムハイパーパラメータチューニング法は、サンプル数とDAGのノード数と同等か小さいサンプル数制限法と計算制限法という2つの実用上重要な規則にはあまり適していない。 本研究は、等分散線型ガウスSEMのための非定性閉形式推定器SURE-Ridgeを提案する。 本手法は、スタインの非バイアスリスク推定(SURE)により適応的に選択された正規化パラメータを並列ノード単位で回帰し、適応しきい値処理を適用して、結果として生じるソフト隣接行列からDAGを抽出する。 数値計算の結果,SURE-Ridgeは,NOTEARS,DAGMA,GBNSLのベースラインと比較すると,小サンプル状態における最小構造ハミング距離と全サンプルサイズにおける最低実行時間を達成することがわかった。

関連論文リスト

• Phase Transition in Binary Compressed Sensing via Annealing with Adaptive Regularization [0.7734726150561088]
  正規化選択は、バイナリ圧縮センシングの回復相図を変更する。 本研究では,系統的なパラメータ探索とランダムな森林回帰を組み合わせた正規化-選択法を開発した。
  論文  参考訳（メタデータ） (2026-09-15T06:35:58Z)
• LC-GRPO: Bridging Train-Inference Gap for Flow-Based GRPO with Langevin Correction [59.32834240526981]
  フローベース生成モデルは典型的には、決定論的常微分方程式(ODE)を解くことによってサンプリングされる 既存の流れモデルのためのGRPO法は、訓練中にオイラー時間ODEを非等方微分方程式(SDE)に置き換える。 本稿では,フローベースGRPOフレームワークであるLC-GRPOを紹介する。
  論文  参考訳（メタデータ） (2026-08-06T04:47:57Z)
• Safe, Scalable, and Accurate Bayes Posterior Sampling for Large-Data Generalized Linear Mixed Models [1.1458853556386799]
  大規模データセット上に一般化された線形混合モデルに適合するスケーラブルサンプリングアルゴリズムの問題点を考察する。 データサブサンプリングに基づくミラーLangevin動的アルゴリズムの使用を提唱し、推論フレームワークで使用するための具体的なガイドラインを提供する。
  論文  参考訳（メタデータ） (2026-04-28T18:11:19Z)
• An Elementary Approach to Scheduling in Generative Diffusion Models [55.171367482496755]
  生成拡散モデルにおけるノイズスケジューリングと時間離散化の影響を特徴付けるための基礎的手法を開発した。 異なるデータセットと事前訓練されたモデルにわたる実験により、我々のアプローチによって選択された時間離散化戦略が、ベースラインとサーチベースの戦略を一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-01-20T05:06:26Z)
• LARGE: A Locally Adaptive Regularization Approach for Estimating Gaussian Graphical Models [2.3696387635465608]
  グラフ推定のための局所適応正規化法(LARGE)を開発した。 LARGEは、グラフ推定と選択を改善するためにノードワイズチューニングパラメータを適応的に学習するアプローチである。 実際のfMRIデータセットから脳の接続性を推定し,本手法の実用性を示す。
  論文  参考訳（メタデータ） (2026-01-14T18:37:50Z)
• 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)
• 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)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)
• A Randomised Subspace Gauss-Newton Method for Nonlinear Least-Squares [0.6445605125467572]
  非線形最小二乗最適化問題を解くためにRandomized Subspace Gauss-Newton (R-SGN)アルゴリズムを提案する。 R-SGNの信頼領域変種に対して、収束結果の線形大域率を示す。
  論文  参考訳（メタデータ） (2022-11-10T17:51:08Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
  帰納バイアスは 経験的に過剰フィットを防げる中心的存在です この研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。 我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
  論文  参考訳（メタデータ） (2021-03-23T17:15:53Z)

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。