論文の概要: Causal Discovery via Transformed Low-Rank Quantile Surfaces

• arxiv url: http://arxiv.org/abs/2609.16931v1
• Date: Tue, 15 Sep 2026 10:06:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.441939
• Title: Causal Discovery via Transformed Low-Rank Quantile Surfaces
• Title（参考訳）: 変態した低ランク量子表面による因果発見
• Abstract要約: 低ランク量子面(Low-Rank Quantile Surfaces、LRQS)は、条件付き量子面の未知のモノトン変換が低ランク関数分解を許容する二変量因果モデルである。 LRQSは、位置スケールノイズモデルと非非線形異方性ノイズモデルを仮定し、複数の量子ベースが位置スケール効果以外の変化を表現できるようにする。 離散化量子面の階数制約近似と未知のモノトーン変換の等調的推定を交互に行う非パラメトリックなフィッティング法を用いて,単純なyet-powerful Casal scoreを提供する。
• 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 propose Low-Rank Quantile Surfaces (LRQS), a bivariate causal model in which, in the causal direction, an unknown monotone transformation of the conditional quantile surface admits a low-rank functional decomposition. LRQS subsumes location-scale noise models and post-nonlinear heteroscedastic noise models, while allowing multiple quantile bases to represent changes beyond location-scale effects. We prove generic identifiability of LRQS: the transformed quantile surface is low rank in the causal direction, whereas reverse representability under the corresponding constraints occurs only for exceptional, fine-tuned cause marginals. We provide a simple-yet-powerful causal score using a nonparametric fitting procedure that alternates between rank-constrained approximation of discretized quantile surfaces and isotonic estimation of the unknown monotone transformation. Experiments on synthetic mechanisms with higher-rank distributional shape variation and strong nonlinear distortions, together with standard bivariate benchmarks, show that LRQS is especially effective when conditional distributional shape or observation distortion goes beyond existing location-scale assumptions.
• Abstract（参考訳）: 条件付き量子面の未知のモノトン変換が低ランク関数分解を許容する二変量因果モデルであるLow-Rank Quantile Surfaces (LRQS)を提案する。 LRQSは、位置スケールノイズモデルと非非線形異方性ノイズモデルを仮定し、複数の量子ベースが位置スケール効果以外の変化を表現できるようにする。 変換された量子曲面は因果方向の低ランクであるのに対し、対応する制約の下での逆表現性は例外的に微調整された因果境界に対してのみ発生する。 離散化量子面の階数制約近似と未知のモノトーン変換の等調的推定を交互に行う非パラメトリックフィッティング法を用いて,簡易なyet-powerful因果スコアを提供する。 高階分布形状の変動と強い非線形歪みを伴う合成機構の実験は、標準的な二変量ベンチマークとともに、LRQSが既存の位置スケールの仮定を超えた条件分布形状や観測歪みの場合に特に有効であることを示す。

関連論文リスト

• From Non-Convex Self-Concordant Regularization to Scalable Quasi-Newton Training of PINNs [10.223108587188808]
  SCOREは、PINNトレーニングのためのデクリメント結合シフトセカント幾何を持つ自己一致型準ニュートン法である。 その区別機構は、学習された逆計量から計算された1つの準ニュートンデクリメントが強いウルフテストされた候補ステップを共同で決定することである。 バーガース、倉本-シヴァシンスキー、コルテヴェーグ-ド・フリーズ、複雑なギンズブルグ-ランダウ方程式の実験は、SCOREが試験されたBFGSや自己スケールのブロイデン基底線よりも低い最終誤差を達成していることを示している。
  論文  参考訳（メタデータ） (2026-08-04T20:05:21Z)
• Unified Geometry-Guided ML-FTLE for Tracking Transient Chaos from Scalar Time Series [0.0]
  本稿では,予測軌道の偏差をマクロ的な誘引形態と統合し,突発的な状態変化を追跡する幾何学誘導型機械学習フレームワークを提案する。 この方程式のないフレームワークは、複雑な非定常系の構造遷移を監視するために、高精度でノイズ耐性のある診断を提供する。
  論文  参考訳（メタデータ） (2026-06-05T15:22:57Z)
• Learning Nonlinear Factor Models with Unknown Monotone Links from Incomplete and Noisy Data [5.256805330951789]
  我々は,未知のリンク関数によって観測応答が低ランク因子に依存する非線形因子モデルをブロックする。 リンク関数は単調な空間回復にあり、識別可能性を維持しながら柔軟性のあるあいまいさを可能にすると仮定される。
  論文  参考訳（メタデータ） (2026-05-25T18:57:03Z)
• Shift Before You Learn: Enabling Low-Rank Representations in Reinforcement Learning [56.87989363424]
  シフトした後継尺度において,低ランク構造が自然に現れることを示す。 有効な低ランク近似と推定に必要なシフトの量を定量化する。
  論文  参考訳（メタデータ） (2025-09-05T15:48:20Z)
• Provably Accelerating Ill-Conditioned Low-rank Estimation via Scaled Gradient Descent, Even with Overparameterization [48.65416821017865]
  この章では、スケールドグラデーション(ScaledGD)と呼ばれる新しいアルゴリズムアプローチを紹介します。 低ランク物体の条件数に依存しない定数速度で直線的に収束する。 様々なタスクに対して、勾配降下の低い摂動コストを維持できる。
  論文  参考訳（メタデータ） (2023-10-09T21:16:57Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Hyperspectral Image Denoising Using Non-convex Local Low-rank and Sparse Separation with Spatial-Spectral Total Variation Regularization [49.55649406434796]
  本研究では,HSI復調のためのロバストな主成分分析のための新しい非特異なアプローチを提案する。 我々は、ランクとスパースコンポーネントの両方に対する正確な近似を開発する。 シミュレーションと実HSIの両方の実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-01-08T11:48:46Z)
• Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
  非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。 提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
  論文  参考訳（メタデータ） (2020-09-29T15:00:47Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。