論文の概要: Coupling Noisy Pairwise Knowledge to the DAG Posterior for Causal Discovery

• arxiv url: http://arxiv.org/abs/2610.04559v1
• Date: Sat, 03 Oct 2026 14:50:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 18:50:46.499393
• Title: Coupling Noisy Pairwise Knowledge to the DAG Posterior for Causal Discovery
• Title（参考訳）: 因果発見のためのDAG後部への雑音的知識の結合
• Abstract要約: ベイジアン・フレームワークであるHB-NoisyKGを導入し,観測データと大規模言語モデルなどの情報源からの繰り返しの因果関係を結合する。 各報告は、1つのDAGによって示される直接対状態のノイズの多い観察である。 機能条件付きベータは、ペアの信頼性に関する情報をプールし、共有エラー行列は体系的なミスをキャプチャする。
• 参考スコア（独自算出の注目度）: 0.922437711289137
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: External causal reports can improve structure learning from limited observations, but their reliability varies across sources and variable pairs. We introduce HB-NoisyKG, a Bayesian framework that combines observational data with repeated causal reports from sources such as large language models. Each report is a noisy observation of a direct pair state implied by one DAG. A feature-conditioned Beta prior pools information about pair reliability, and a shared error matrix captures systematic mistakes. Alternating inference uses the graph posterior to refine reliability estimates, which determine how reports influence subsequent graph updates. The report likelihood uses only graph pair-state marginals, so the same observation layer supports discrete and continuous likelihoods in graph-only and joint inference. Against an 80-restart no-KG baseline, HB uses at most 80 total restarts and lowers mean SHD from 22.39 to 16.06 on five discrete benchmarks. On a physical light tunnel with random variable IDs and retained descriptions, HB lowers SHD from 39.00 for no-KG to 27.30. On continuous Sachs, graph-only BGe raises AUROC by 0.121 over no-KG Top-K. In a controlled synthetic study, continued updating also reduces mean reliability estimation error and held-out report log loss compared with one-time estimation.
• Abstract（参考訳）: 外部因果報告は、限られた観測から構造学習を改善することができるが、その信頼性はソースと可変ペアによって異なる。 ベイジアン・フレームワークであるHB-NoisyKGを導入し,観測データと大規模言語モデルなどの情報源からの繰り返しの因果関係を結合する。 各報告は、1つのDAGによって示される直接対状態のノイズの多い観察である。 機能条件付きベータは、ペアの信頼性に関する情報をプールし、共有エラー行列は体系的なミスをキャプチャする。 代替推論はグラフ後部を用いて信頼性推定を洗練し、レポートがその後のグラフ更新にどのように影響するかを決定する。 報告はグラフペア状態の限界のみを使用するため、同じ観測層はグラフのみおよび関節推論における離散的かつ連続的な可能性をサポートする。 80リスタートのノKGベースラインに対して、HBは最大80回のリスタートと5つの離散ベンチマークで平均SHDを22.39から16.06に下げる。 ランダムな可変IDと記述を保持する物理光トンネルでは、HBはSHDを39.00から27.30に下げる。 連続サックスでは、グラフのみのBGeは非KGトップKよりもAUROCを0.121上昇させる。 制御された総合研究において、継続更新は、平均信頼度推定誤差と1時間推定と比較してレポートログ損失を減少させる。

関連論文リスト

• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• From Phase Transition to Systemic Failure: A Decoupled Analytics Framework for GNN Robustness [7.587894049362674]
  データ品質は、実際のグラフマイニングタスクにおけるグラフニューラルネットワーク(GNN)の信頼性の高いデプロイにおいて、大きなボトルネックとなる。 本稿では,2つの因子を別々に操作できる相同性グラフ回帰ベンチマークを構築した。 騒音およびシフト条件の異なる代表GNNモデルの挙動を評価するため,41の構成と410回の走行を行った。
  論文  参考訳（メタデータ） (2026-09-15T03:20:11Z)
• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Diagnosing Non-Markovian Observations in Reinforcement Learning via Prediction-Based Violation Scoring [0.0]
  強化学習アルゴリズムは、観測がマルコフの性質を満たすと仮定する。 実世界のセンサーは、相関ノイズ、遅延、または部分的な可観測性を通じて、この仮定にしばしば違反する。 本稿では,観測軌道における非マルコフ構造を定量化する予測に基づくスコアリング手法を提案する。
  論文  参考訳（メタデータ） (2026-03-28T19:42:27Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• 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)

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。