Fugu-MT 論文翻訳(概要): I-FLOP: Fast Learning of Order and Parents from Interventional Data

論文の概要: I-FLOP: Fast Learning of Order and Parents from Interventional Data

arxiv url: http://arxiv.org/abs/2608.28245v1
Date: Fri, 28 Aug 2026 12:01:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-31 17:16:04.309725
Title: I-FLOP: Fast Learning of Order and Parents from Interventional Data
Title（参考訳）: I-FLOP: インターベンショナルデータによる秩序と親の学習
Authors: Liuting Chen, Alex Markham,
Abstract要約: FLOPアルゴリズムを観察データから介入データへ拡張する。特に,Hauser と Bhlmann (2012) の介入的 BIC スコアを用いて,FLOP の速度に部分的に寄与する反復的な Cholesky ベースのスコア更新に適応する。 I-FLOPはデータ生成DAGと同じ干渉マルコフ同値クラスでDAGを復元する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We extend the FLOP (fast learning of order and parents) algorithm recently proposed by Wienöbst et al. (2026) from observational to interventional data. In particular, we use the interventional BIC score of Hauser and Bühlmann (2012), adapting it to be used with the iterative Cholesky-based score updates that are partly responsible for FLOP's speed. We show that, in the sample limit, I-FLOP recovers a DAG in the same interventional Markov equivalence class as the data-generating DAG. We compare I-FLOP to existing causal structure learning algorithms on real and simulated interventional data, where it performs favorably in terms of both performance and run time.
Abstract（参考訳）: We extended the FLOP (fast learning of order and parents) algorithm proposed by Wienöbst et al (2026) from observedal to interventional data。特に、Hauser と Bühlmann (2012) の介入的 BIC スコアを使用し、FLOP の速度に部分的に寄与する反復的な Cholesky ベースのスコア更新で使用できるように適応する。 I-FLOPはデータ生成DAGと同じ干渉マルコフ同値クラスでDAGを復元する。 I-FLOPと既存の因果構造学習アルゴリズムを実データとシミュレーションデータで比較し,性能と実行時間の両方で良好に動作させる。

関連論文リスト

Causal Discovery via Bayesian Optimization [14.698661810621326]
本稿ではDrBO (DAG recovery via Bayesian Optimization) を提案する。 DrBOは計算効率が良く、精度の高いDAGを既存の最先端手法よりも少ない試行時間で見つけることができる。
論文参考訳（メタデータ） (2025-01-25T00:19:38Z)
Score-matching-based Structure Learning for Temporal Data on Networks [17.166362605356074]
因果発見は経験的データと背景知識から因果関係を確立するための重要な第一歩である。現在のスコアマッチングベースのアルゴリズムは、主に独立および同一に分散された(d.d.)データを分析するために設計されている。我々はDAGの葉ノードのための新しい親フィンディングサブルーチンを開発し、プロセスの最も時間を要する部分である刈り込みステップを著しく加速した。
論文参考訳（メタデータ） (2024-12-10T12:36:35Z)
Heterogeneous Learning Rate Scheduling for Neural Architecture Search on Long-Tailed Datasets [0.0]
本稿では,DARTSのアーキテクチャパラメータに適した適応学習率スケジューリング手法を提案する。提案手法は,学習エポックに基づくアーキテクチャパラメータの学習率を動的に調整し,よく訓練された表現の破壊を防止する。
論文参考訳（メタデータ） (2024-06-11T07:32:25Z)
B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文参考訳（メタデータ） (2023-04-20T18:07:19Z)
Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文参考訳（メタデータ） (2023-03-02T06:33:48Z)
The interventional Bayesian Gaussian equivalent score for Bayesian causal inference with unknown soft interventions [0.0]
ゲノミクスのような特定の環境では、不均一な研究条件からのデータがあり、研究変数のサブセットのみに関連するソフトな(部分的な)介入がある。観察データと介入データとの混合に対する介入BGeスコアを定義し,介入の目的と効果が不明である可能性がある。
論文参考訳（メタデータ） (2022-05-05T12:32:08Z)
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)
Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文参考訳（メタデータ） (2021-11-15T03:16:56Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。