論文の概要: Federated Causal Discovery via Regression-Directed Cumulants

• arxiv url: http://arxiv.org/abs/2609.03705v1
• Date: Thu, 03 Sep 2026 11:43:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.045062
• Title: Federated Causal Discovery via Regression-Directed Cumulants
• Title（参考訳）: 回帰重積によるフェデレート因果発見
• Abstract要約: 連合環境における線形非ガウス非環モデル (LiNGAM) について検討した。 因果発見アルゴリズムのFedRCDファミリを紹介する。
• 参考スコア（独自算出の注目度）: 3.5337024739132197
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper we study linear non-Gaussian acyclic models (LiNGAM) when used in federated environments. These causal models allow one to go beyond Markov equivalence. However, in many domains data are scarce, and increasing the sample size by centralising data from different clients is not advisable due to regulations such as the GDPR. The federated environment offers an attractive option to balance privacy and causal discovery accuracy. Unfortunately, the standard centralised estimator in the LiNGAM setting, i.e., DirectLiNGAM, cannot be straightforwardly federated. Higher-order cumulant tensors offer a way around this obstacle: they depend only on the joint distribution of the variables involved and add exactly across independent sample groups, so a single communication round suffices in horizontal, vertical, and hybrid partitions. However, FedISHC, i.e., the current federated method along these lines, breaks down under near-symmetric noise. To overcome the above limitation, we introduce the FedRCD family of causal discovery algorithms, and investigate three variants that trade off communication rounds against algebraic noise; two of them are exact federated counterparts of the centralised high-order cumulant (HC) and HC-LiNGAM algorithms, and the single-round variants further effectively support exact unlearning at any granularity, from a single observation to a whole client. Numerical experiments show that at sample sizes typical of real deployments, the entire cumulant-based federated family does not actually rank variables by the population asymmetry that the scores encode at zero. It ranks them by a variance ladder induced by the DAG along its directed paths, the cumulant counterpart of varsortability. Marginal standardisation collapses every cumulant method to near-random ordering, while scale-invariant DirectLiNGAM, not federable under this protocol, is unaffected.
• Abstract（参考訳）: 本稿では,連合環境における線形非ガウス非巡回モデル (LiNGAM) について検討する。 これらの因果モデルにより、マルコフ同値を超えることができる。 しかし、多くのドメインではデータが不足しており、GDPRなどの規制のため、異なるクライアントからのデータ集中によるサンプルサイズの増加は推奨できない。 フェデレーションされた環境は、プライバシーと因果発見の正確さのバランスをとる魅力的な選択肢を提供する。 残念なことに、LiNGAM設定における標準集中型推定器、すなわちDirectLiNGAMは直接フェデレーションすることができない。 高次累積テンソルは、関連する変数の結合分布にのみ依存し、独立したサンプル群間で正確に付加するので、水平、垂直、ハイブリッドのパーティションにおいて単一の通信ラウンドサフィスを持つ。 しかし、これらの線に沿った現在のフェデレーション法であるFedISHCは、ほぼ対称な雑音の下で崩壊する。 この制限を克服するために、FedRCDファミリーの因果探索アルゴリズムを導入し、通信ラウンドを代数ノイズと交換する3つの変種について検討する。そのうちの2つは、集中高次累積法(HC)とHC-LiNGAMアルゴリズムの正確なフェデレーションであり、シングルラウンド変種は、単一観測からクライアント全体まで、任意の粒度での正確な未学習をさらに効果的に支援する。 数値実験により、実際の展開に典型的なサンプルサイズでは、累積に基づく連合族全体は、スコアが0でエンコードされる集団非対称性によって変数を実際にランク付けしないことが示された。 それらは、DAGによって誘導される方向の経路に沿って分散はしごによってランク付けされる。 Marginal Standardizationはすべての累積法をほぼランダムな順序付けに分解するが、このプロトコルではフェデラできないスケール不変のDirectLiNGAMは影響を受けない。

関連論文リスト

• Convex-Hull-Neighborhood Smooth Dual Generalization: Controlling Local Correction Propagation in Offline RL [7.803284875836737]
  ブートストラップは オフライン強化学習における 推定誤差を増幅する 本稿では,ベルマンのバックアップをサンプル値のターゲットとして表現し,CHN局所補正を行うConvex Hull Neborhood Smooth Dual Generalizationを提案する。 Gym-MuJoCoとAntMazeの実験は、強力な集約性能と安定した値推定を示す。
  論文  参考訳（メタデータ） (2026-08-04T04:30:02Z)
• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
  制約を克服するオイラー法に対する全変分に基づく解析法を開発した。 その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。 全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
  論文  参考訳（メタデータ） (2026-02-26T00:47:51Z)
• Principled Federated Random Forests for Heterogeneous Data [19.544248463207612]
  我々は、水平分割データのための新しいフェデレートランダムフォレストアルゴリズムであるFedForestを提案する。 我々は、慎重に選択されたクライアント統計を集約した分割手順が、集中型アルゴリズムによって選択された分割を近似していることを証明する。 また、FedForestはクライアントインジケータの分割を可能にし、非パラメトリックなパーソナライゼーションの形式を可能にすることも示しています。
  論文  参考訳（メタデータ） (2026-02-03T08:41:59Z)
• Federated learning for unpaired multimodal data through a homogeneous transformer model [0.0]
  本稿では,フェデレートされていない基礎モデルの数学的バックボーンを確立する。 これにより、グローバルモデルは、断片化、分離、プライベートデータサイロから世界の統一された表現を学ぶことができる。
  論文  参考訳（メタデータ） (2026-01-25T20:30:21Z)
• Nonparametric Kernel Clustering with Bandit Feedback [9.68728390492671]
  バンディットフィードバックによるクラスタリングは、クラスタリングアルゴリズムがアイテムをシーケンシャルにクエリしてノイズの多い観察を受信する、一連のアイテムを分割する問題を指す。 我々はカーネルベースのアプローチを導入し、非パラメトリック問題をヒルベルトカーネル空間(RKHS)への平均埋め込みをカーネルに従ってクラスタ化するタスクとして再構築する。 本稿では,アーム分布の最大平均誤差(MMD)とRKHSのばらつきに依存する問題に対して,信号対雑音比の概念を導入する。
  論文  参考訳（メタデータ） (2026-01-12T13:36:07Z)
• Variational Gaussian Mixture Manifold Models for Client-Specific Federated Personalization [0.0]
  VGM$2$は、クライアント固有のパラメトリックUMAP埋め込みを学習する幾何学中心のPFLフレームワークである。 各クライアントは、マーカーの重み、手段、およびばらつきに対してディリクレ-ノルマル-逆-ガンマの後部を保持する。 VGM$2$は、強いベースラインに比べて、競争力または優れたテストF1スコアを達成する。
  論文  参考訳（メタデータ） (2025-09-04T01:28:02Z)
• Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
  我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。 半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T03:27:51Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)

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。