論文の概要: Discrete Score Matching Enables Causal Discovery from Count Data

• arxiv url: http://arxiv.org/abs/2609.39326v1
• Date: Wed, 30 Sep 2026 09:00:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.472377
• Title: Discrete Score Matching Enables Causal Discovery from Count Data
• Title（参考訳）: 離散スコアマッチングはカウントデータから因果発見を可能にする
• Abstract要約: カウントデータはスコアマッチングに基づく因果発見に挑戦する。 SCOREの定数曲率基準をノード値の条件付けにより一般化する。 曲率に基づく親の回復は,外対角曲率スコアによって拡張する。
• 参考スコア（独自算出の注目度）: 1.1306212771477644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Count data pose a challenge for score-matching-based causal discovery: derivatives are unavailable, and simply replacing them with finite differences does not generally suffice for causal discovery. We generalize SCORE's constant-curvature criterion (Rolland et al., 2022) by conditioning on the node's value, yielding the conditional curvature score (CCS) for ordering. We also extend curvature-based parent recovery through the off-diagonal curvature score (OCS), enabling directed acyclic graph (DAG) recovery with both scores constructed from score functions for continuous data and concrete scores for counts. In the bivariate setting, zero CCS exactly characterizes a semiparametric generalized linear model (GLM) conditional form in which the conditional family need not be specified in advance, unlike in classical GLMs. For bivariate semiparametric GLM DAGs under our regularity condition, canonical-parameter nonlinearity is necessary and sufficient for identifiability. In multivariate DAGs, this nonlinearity enables DAG recovery through CCS and OCS. Our framework identifies a new class of semiparametric GLM DAGs that strictly contains the nonlinear Gaussian ANM class identified by SCORE. We introduce DISCO (DIscrete SCOre), a count-DAG recovery algorithm that estimates CCS and OCS using discrete diffusion. Experiments demonstrate accurate DAG recovery across Poisson, negative binomial, binomial, and mixed-family settings, as well as scalability to 1,000-node DAGs on a single GPU.
• Abstract（参考訳）: カウントデータはスコアマッチングに基づく因果発見の課題であり、微分は不可能であり、有限差分で置き換えるだけでは因果発見に十分ではない。 我々は, SCORE の定数曲率基準 (Rolland et al , 2022) をノード値の条件付けにより一般化し, 順序付けのための条件曲率スコア (CCS) を得る。 また,非対角曲率スコア(OCS)による曲率ベースの親回復も拡張し,連続データに対するスコア関数と数に対する具体的なスコアから構成した有向非巡回グラフ(DAG)の回復を可能にする。 双変数設定では、ゼロ CCS は古典的な GLM とは異なり、条件ファミリを事前に指定する必要のない半パラメトリック一般化線形モデル (GLM) を正確に特徴付ける。 正則性条件下での2変量半パラメトリックGLM DAGでは、正準パラメータの非線形性が必要であり、識別に十分である。 多変量DAGでは、この非線形性はCSとOCSによるDAGの回復を可能にする。 本フレームワークは,SCOREにより同定された非線形ガウスANMクラスを厳密に含んだセミパラメトリックGLM DAGのクラスを同定する。 離散拡散を用いてCSとOCSを推定するカウントDAG回復アルゴリズムであるdisCO(DIscrete SCOre)を導入する。 実験では、Poissonでの正確なDAGリカバリ、負のバイナリ、二項、混合セッティングの設定、および単一のGPU上で1,000ノードDAGへのスケーラビリティが示されている。

関連論文リスト

• Causal Discovery in Equal Variance Linear Gaussian DAGs via SURE-Tuned Ridge Regression [18.884190660925444]
  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。
  論文  参考訳（メタデータ） (2026-08-17T21:07:06Z)
• Stable Causal Discovery via Directed Acyclic Graph Aggregation [7.490209955333202]
  誘導非巡回グラフ(DAG)は複雑な系における因果構造を明らかにする中心である。 複数の候補DAGを1つの安定表現に集約するモデル平均化フレームワークであるDAGgrを提案する。 ブートストラップ・アグリゲーション・ベースラインを常に上回りながら,DAGgrは最高の個人候補と一致または超えていることを示す。
  論文  参考訳（メタデータ） (2026-05-18T16:41:31Z)
• Less Greedy Equivalence Search [52.818153111470394]
  Greedy Equivalence Search (GES)は、観測データから因果探索を行うためのスコアベースのアルゴリズムである。 我々はGESの変種であるLose Greedy Equivalence Search (LGES)を開発した。
  論文  参考訳（メタデータ） (2025-06-27T15:39:48Z)
• 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)
• BayesDAG: Gradient-Based Posterior Inference for Causal Discovery [30.027520859604955]
  マルコフ・チェイン・モンテカルロと変分推論を組み合わせたスケーラブルな因果探索フレームワークを提案する。 本手法では,DAG正則化を必要とせず,直接後部からDAGを採取する。 我々は、置換に基づくDAG学習に新しい等価性をもたらし、置換によって定義された緩和された推定器を使用する可能性を開く。
  論文  参考訳（メタデータ） (2023-07-26T02:34:13Z)
• Causal Structure Learning with Greedy Unconditional Equivalence Search [0.26249027950824505]
  有向非巡回グラフ(DAG)モデルを非条件同値まで特徴づける問題を考察する。 我々は、Greedy Unconditional Equivalence Search (GUES)と呼ばれる観測データからDAGモデルを学習するためのハイブリッドアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-03-01T15:04:49Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• 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。