論文の概要: DAG-CLIP: A DAG Learning Framework in the Presence of Latent Variables

• arxiv url: http://arxiv.org/abs/2610.06086v1
• Date: Mon, 05 Oct 2026 10:18:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:52:21.601116
• Title: DAG-CLIP: A DAG Learning Framework in the Presence of Latent Variables
• Title（参考訳）: DAG-CLIP:潜伏変数存在下でのDAG学習フレームワーク
• Abstract要約: 因果メカニズムを明らかにするための非循環グラフ(DAG)の学習は、機械学習において大きな注目を集めている。 本稿では,グラフのノードが潜在変数である場合,DAG学習のための一般的な統計フレームワークを提案する。 本研究では,2段階の複合ライクリーフ学習アルゴリズムであるDAG-CLIP (Iterative Pruning) を用いてDAG学習を開発する。
• 参考スコア（独自算出の注目度）: 2.1789493470055468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning directed acyclic graphs (DAGs) to uncover causal mechanisms has attracted substantial attention in machine learning. While most existing methods focus exclusively on observed variables, many variables of substantive interest are latent constructs defined by statistical measurement models. Such constructs are particularly common in the social and behavioral sciences. In this paper, we propose a general statistical framework for DAG learning when some or all nodes of the graph are latent variables, accommodating non-Gaussian manifest variables such as binary and categorical data in the measurement model. To overcome the computational burden of high-dimensional integration in standard marginal likelihoods, we develop DAG learning via Composite-Likelihood-based screening and Iterative Pruning (DAG-CLIP), a two-step composite-likelihood-based learning algorithm. This algorithm first solves a smooth acyclicity-constrained optimization problem to screen out misspecified DAG structures, and subsequently performs BIC-guided composite-likelihood backward deletion within the Markov equivalence class (MEC) space to identify a sparse DAG. We establish the statistical consistency of the algorithm in recovering the MEC of the true DAG, and demonstrate its effectiveness through extensive simulation studies and a real-world application to large-scale educational survey data.
• Abstract（参考訳）: 因果メカニズムを明らかにするための非循環グラフ(DAG)の学習は、機械学習において大きな注目を集めている。 既存のほとんどの手法は観測変数にのみ焦点をあてるが、実体的興味を持つ変数の多くは統計的測定モデルによって定義される潜在構造である。 このような構造は、特に社会科学や行動科学において一般的である。 本稿では,グラフのノードが潜在変数である場合のDAG学習のための一般統計フレームワークを提案する。 そこで我々は,2段階の複合ライクリーフ学習アルゴリズムであるDAG-CLIP (Composite-Likelihood-based screening and Iterative Pruning) を用いたDAG学習を開発した。 このアルゴリズムは、まず、不特定なDAG構造を検査するために滑らかな非周期制約最適化問題を解き、その後、マルコフ同値クラス(MEC)空間内でBIC誘導複合的な後方削除を行い、スパースDAGを特定する。 我々は,真のDAGのMECを復元する際のアルゴリズムの統計的整合性を確立し,その効果を広範囲なシミュレーション研究と大規模教育調査データへの実世界の応用を通じて実証する。

関連論文リスト

• Concomitant DAG Learning: On the Roles of Noise Adaptivity, Sparsity, and Non-negativity [14.977112037008224]
  有向非巡回グラフ(DAG)は、複雑なシステムにおける因果関係の原理的推論を可能にする。 ほとんどの古典的な構造同定アプローチは、非循環を強制することの難しさと、潜在ノイズや異種ノイズから生じる識別可能性の難しさの2つの主要な障害に直面している。 本チュートリアルでは、DAG構造学習を連続的なスコアベース推定問題として再キャストすることで、最近の信号処理とこれらの問題に対処する進歩について概説する。
  論文  参考訳（メタデータ） (2026-05-22T12:00:00Z)
• Learning Causal Graphs at Scale: A Foundation Model Approach [28.966180222166766]
  複数線形構造方程式モデル(SEM)を学習するための新しい注意機構に基づくアーキテクチャであるAttention-DAG(ADAG)を提案する。 ADAGは、非線形アテンションベースのカーネルを介して、観測データからグラフ構造とパラメータの両方へのマッピングを学習する。 提案手法をベンチマークデータセット上で評価し,DAG学習精度とゼロショット推論効率の両方において,ADAGが大幅に向上することを確認した。
  論文  参考訳（メタデータ） (2025-06-23T04:41:02Z)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)
• BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
  観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。 我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。 次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
  論文  参考訳（メタデータ） (2022-01-28T09:30:32Z)
• 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)
• DAGs with No Curl: An Efficient DAG Structure Learning Approach [62.885572432958504]
  近年のDAG構造学習は連続的な非巡回性制約を伴う制約付き連続最適化問題として定式化されている。 本稿では,DAG空間の重み付き隣接行列を直接モデル化し,学習するための新しい学習フレームワークを提案する。 本手法は, 線形および一般化された構造方程式モデルにおいて, ベースラインDAG構造学習法よりも精度が高いが, 効率がよいことを示す。
  論文  参考訳（メタデータ） (2021-06-14T07:11:36Z)

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。