論文の概要: Directional Evidence Guided Search-Space Reduction for Exact DAG Learning

• arxiv url: http://arxiv.org/abs/2610.09136v1
• Date: Tue, 06 Oct 2026 21:29:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.612852
• Title: Directional Evidence Guided Search-Space Reduction for Exact DAG Learning
• Title（参考訳）: 厳密なDAG学習のための方向エビデンスガイド探索空間削減
• Abstract要約: 本研究では,観察データから依存性と方向性の証拠を抽出し,許容可能な親集合を構築する枠組みを開発する。 経験的にサポートされていない親設定を排除して、最適化検索スペースを削減する。 実験により,DAG学習の計算負担を軽減するために,指向性エビデンスによって有効な前処理機構が提供されることが示された。
• 参考スコア（独自算出の注目度）: 8.649525867107247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning a directed acyclic graph (DAG) from observational data is a challenging combinatorial problem due to the exponential growth in the number of candidate parent-set configurations. Existing exact score-based methods often require computationally intensive combinatorial search, whereas constraint-based methods can become unreliable or computationally demanding as graph size and conditioning-set complexity increase. We develop a non-parametric hybrid framework, referred to as DECO (Directional Evidence-guided Configuration Optimization), that extracts dependency and directional evidence from observation data to construct admissible parent sets prior to exact optimization. It reduces the optimization search space by eliminating empirically unsupported parent configurations while preserving flexibility for all plausible edge orientations. Theoretical analysis establishes an exponential reduction in the admissible parent-set configuration space and quantifies how bounded edge-level omission affects the probability of retaining the true parent structure. Experiments on benchmark Bayesian networks and synthetic discrete and continuous DAGs demonstrate substantial search-space reduction while achieving competitive structure-recovery performance, with favorable structural Hamming distance across many evaluated settings. These results show that directional evidence can provide an effective preprocessing mechanism for reducing the computational burden of exact DAG learning without requiring a fixed parametric structural~model.
• Abstract（参考訳）: 観測データから有向非巡回グラフ(DAG)を学習することは、候補となる親集合構成数の指数関数的な増加により難しい組合せ問題である。 既存のスコアベースの手法は計算集約的な組合せ探索を必要とすることが多いが、制約ベースの手法はグラフのサイズや条件設定の複雑さが増大するにつれて、信頼性や計算的に要求される。 我々は,DEC(Directional Evidence-Guided Configuration Optimization)と呼ばれる非パラメトリックハイブリッドフレームワークを開発し,観測データから依存性と方向性の証拠を抽出し,正確な最適化に先立って許容可能な親集合を構築する。 これは、実証的にサポートされていない親構成を排除し、すべてのプラウチブルエッジオリエンテーションの柔軟性を保ち、最適化検索スペースを削減する。 理論的解析は、許容可能な親集合構成空間の指数関数的減少を確立し、有界エッジレベルの省略が真の親構造を保持する確率にどのように影響するかを定量化する。 ベンチマークベイジアンネットワークと合成離散および連続DAGによる実験は、多くの評価された環境において好適な構造的ハミング距離を持つ競合構造回復性能を達成しつつ、検索空間の大幅な削減を示す。 これらの結果から,DAG学習の計算負担を軽減するための効果的な前処理機構を,固定パラメトリック構造モデルを必要とせずに実現できることが示唆された。

関連論文リスト

• On Multi-Step Theorem Prediction via Non-Parametric Structural Priors [50.16583672681106]
  本研究では,インコンテキスト学習(ICL)のレンズによる学習自由な定理予測について検討する。 本稿では,過去の解の時間的依存関係を有向グラフとしてエンコードし,推論中に探索空間を効果的に引き起こす明示的なトポロジ的制約を課すTheorem Precedence Graphsを提案する。 FormalGeo7kベンチマークの実験から,本手法は89.29%の精度を実現し,ICLベースラインを著しく上回り,最先端の教師付きモデルに適合することがわかった。
  論文  参考訳（メタデータ） (2026-03-05T06:08:50Z)
• Efficient Causal Structure Learning via Modular Subgraph Integration [4.803851977437455]
  本稿では,グローバル因果構造学習問題をブランケットに基づく局所部分グラフに分解するモジュラーフレームワークであるVISTAを紹介する。 このフレームワークはモデルに依存しないため、ベースラーナーの帰納的バイアスに関する仮定は含まず、任意のデータ設定と互換性があり、並列化を完全にサポートしている。 合成データセットと実データセットの両方に対する大規模な実験は、常にVISTAの有効性を実証している。
  論文  参考訳（メタデータ） (2026-01-28T20:13:20Z)
• BUILD with Precision: Bottom-Up Inference of Linear DAGs [35.95692184008531]
  観測データから有向非巡回グラフ(DAG)の構造を学習することは、因果発見、統計信号処理、機械学習における中心的な問題である。 実験結果から, アンサンブル精度行列はDAG回復を促進する特異な構造を示すことが明らかとなった。 BUILDは,葉ノードとその親を識別する決定論的ステップワイドアルゴリズムである。次に,入射端を除去して次のステップに進むことで葉を刈り取り,真精度行列からDAGを正確に再構築する。
  論文  参考訳（メタデータ） (2025-12-18T03:06:12Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• 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)
• dotears: Scalable, consistent DAG estimation using observational and interventional data [1.220743263007369]
  因果性遺伝子制御ネットワークはDAG(direct acyclic graph)によって表現できる 単一の因果構造を推論する継続的最適化フレームワークであるtexttdotears$[doo-tairs]を提示する。 我々は、$texttdotears$は、軽度の仮定の下で真DAGの証明可能な一貫した推定量であることを示した。
  論文  参考訳（メタデータ） (2023-05-30T17:03:39Z)
• On the Sparse DAG Structure Learning Based on Adaptive Lasso [39.31370830038554]
  適応NOTEARS[30]という,事前定義されたしきい値のないデータ駆動型DAG構造学習手法を開発した。 適応型NOTEARSは特定の条件下でのオラクル特性を享受できることを示し, シミュレーションの結果, エッジのギャップをゼロに設定することなく, 提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-09-07T05:47:59Z)
• Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
  我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。 マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。 理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
  論文  参考訳（メタデータ） (2021-11-03T22:10:18Z)

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。