論文の概要: MARCEDES: Score-based causal discovery under non-Gaussianity with continuous optimization

• arxiv url: http://arxiv.org/abs/2609.30643v1
• Date: Fri, 25 Sep 2026 00:30:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.160664
• Title: MARCEDES: Score-based causal discovery under non-Gaussianity with continuous optimization
• Title（参考訳）: MARCEDES: 連続最適化による非ガウス性下でのスコアに基づく因果発見
• Abstract要約: 非ガウス誤差を持つ構造方程式モデル(SEM)に対応する因果非巡回グラフ構造を学習する問題を考察する。 本稿では,制約のないスコア最小化問題として定式化されたスコアベースDAG学習手法 MARCEDES を提案する。
• 参考スコア（独自算出の注目度）: 6.056500890795248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of learning the underlying causal directed acyclic graph (DAG) structure corresponding to a structural equation model (SEM) with non-Gaussian errors. Motivated by an intentionally misspecified non-Gaussian SEM with all Laplace errors, we first introduce the mean absolute residual risk, defined over the space of all real matrices, and show that, asymptotically, the risk of the true weighted causal DAG matrix is strictly smaller than that of any other matrix. Nevertheless, to enhance generality and account for high-dimensional and finite-sample settings, we further incorporate row-specific sparsity penalties along with a soft DAG constraint to derive a continuous score function over the space of real matrices. Accordingly, we propose a score-based DAG learning method, named MARCEDES, formulated as an unconstrained score minimization problem, which can be efficiently solved using gradient-based optimization techniques, thereby circumventing the challenges associated with constrained optimization. Furthermore, we develop a computational algorithm to handle the non-smoothness of the score objective and to enable optimal tuning of row-specific sparsity penalties under a generalized Bayes framework. Finally, we demonstrate the efficiency and improved performance of the proposed method over existing approaches through an extensive simulation study.
• Abstract（参考訳）: 非ガウス誤差を持つ構造方程式モデル(SEM)に対応する基礎となる因果非巡回グラフ(DAG)構造を学習する問題を考察する。 故意に不特定な非ガウス的SEMと全てのラプラス誤差によって動機付けられ、まず、すべての実行列の空間上で定義される平均絶対的残差リスクを導入し、漸近的に、真の重み付き因果DAG行列のリスクは他のどの行列よりも厳密に小さいことを示す。 しかしながら,一般性を高め,高次元および有限サンプルの設定を説明するため,実行列空間上の連続スコア関数を導出するソフトDAG制約とともに行固有のスパース性ペナルティを組み込む。 そこで我々は,非制約スコア最小化問題として定式化されたスコアベースDAG学習手法 MARCEDES を提案する。 さらに,スコア対象の非平滑性を扱うための計算アルゴリズムを開発し,一般化ベイズフレームワークの下で行固有の空間的ペナルティの最適チューニングを可能にする。 最後に,既存手法に対する提案手法の有効性と性能の改善を,広範囲なシミュレーション研究により実証した。

関連論文リスト

• Regularized Optimization on Grassmann Manifold: Theory, Algorithm and Applications [4.05356944557183]
  正規化射影近似行列(RPMA)は射影行列の回復精度を向上させる。 Cayley-Sherman--Morrison--Sbury (Cayley--Sbury) は、繰り返しの固有分解を避ける方法である。
  論文  参考訳（メタデータ） (2026-07-23T08:19:21Z)
• Heaviside Low-Rank Support Matrix Machine [3.386541256893677]
  本稿では,新しいHaviside低ランクSMMモデルであるconvex-SMMを提案する。 理論上、Karush-Kuhnucker 点の解析は十分かつ必要な条件を厳密に証明する。
  論文  参考訳（メタデータ） (2026-02-28T06:08:16Z)
• ODELoRA: Training Low-Rank Adaptation by Solving Ordinary Differential Equations [54.886931928255564]
  低ランク適応(LoRA)は、深層移動学習においてパラメータ効率の高い微調整法として広く採用されている。 常微分方程式(ODE)の形でLoRA因子行列に対する新しい連続時間最適化ダイナミクスを提案する。 ODELoRAは,問題次元の異なるスケールのディープニューラルネットワークのトレーニングに不可欠な特性である,安定した特徴学習を実現する。
  論文  参考訳（メタデータ） (2026-02-07T10:19:36Z)
• 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)
• Online Inference of Constrained Optimization: Primal-Dual Optimality and Sequential Quadratic Programming [55.848340925419286]
  等式制約と不等式制約を持つ2次最適化問題の解に対するオンライン統計的推測について検討した。 これらの問題を解決するための逐次プログラミング(SSQP)手法を開発し、目的の近似と制約の線形近似を逐次実行することでステップ方向を計算する。 本手法は,Hjek と Le Cam の意味での最適原始双対制限行列を用いて局所正規性を示す。
  論文  参考訳（メタデータ） (2025-11-27T06:16:17Z)
• $ψ$DAG: Projected Stochastic Approximation Iteration for DAG Structure Learning [6.612096312467342]
  Directed A Graphs (DAGs) の構造を学ぶことは、ノード数に応じてスケールする可能なグラフの巨大な検索空間のため、大きな課題となる。 近年の進歩は、微分可能指数関数性制約を取り入れた連続最適化タスクとしてこの問題を再定義している。 本稿では,SGD(Gradient Descent)に基づく最適化手法と統合した近似手法を用いて,DAGを学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-31T12:13:11Z)
• A Fresh Look at Generalized Category Discovery through Non-negative Matrix Factorization [83.12938977698988]
  Generalized Category Discovery (GCD) は、ラベル付きベースデータを用いて、ベース画像と新規画像の両方を分類することを目的としている。 現在のアプローチでは、コサイン類似性に基づく共起行列 $barA$ の固有の最適化に不適切に対処している。 本稿では,これらの欠陥に対処するNon-Negative Generalized Category Discovery (NN-GCD) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T07:24:11Z)
• Trust-Region Sequential Quadratic Programming for Stochastic Optimization with Random Models [57.52124921268249]
  本稿では,1次と2次の両方の定常点を見つけるための信頼逐次準計画法を提案する。 本手法は, 1次定常点に収束するため, 対象対象の近似を最小化して定義された各イテレーションの勾配ステップを計算する。 2階定常点に収束するため,本手法は負曲率を減少するヘッセン行列を探索する固有ステップも計算する。
  論文  参考訳（メタデータ） (2024-09-24T04:39:47Z)
• FastPart: Over-Parameterized Stochastic Gradient Descent for Sparse optimisation on Measures [3.377298662011438]
  本稿では,コニックパーティクルグラディエントDescent(CPGD)のスケーラビリティを高めるために,ランダム特徴と協調してグラディエントDescent戦略を利用する新しいアルゴリズムを提案する。 以下の重要な結果を示す厳密な数学的証明を提供する: $mathrm(i)$ 降下軌道に沿った解測度の総変動ノルムは有界であり、安定性を確保し、望ましくない発散を防ぐ。$mathrm(ii)$ 収束率$O(log(K)/sqrtK)$$$$$K以上の大域収束保証を確立する。
  論文  参考訳（メタデータ） (2023-12-10T20:41:43Z)
• Constrained Optimization via Exact Augmented Lagrangian and Randomized Iterative Sketching [55.28394191394675]
  等式制約付き非線形非IBS最適化問題に対する適応的不正確なニュートン法を開発した。 ベンチマーク非線形問題,LVMのデータによる制約付きロジスティック回帰,PDE制約問題において,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-28T06:33:37Z)

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。