論文の概要: AdaPS-LiNGAM: Adaptive Predecessor Selection for Linear Non-Gaussian Acyclic Models under Small-Sample Settings

• arxiv url: http://arxiv.org/abs/2610.09782v1
• Date: Wed, 07 Oct 2026 10:01:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.849529
• Title: AdaPS-LiNGAM: Adaptive Predecessor Selection for Linear Non-Gaussian Acyclic Models under Small-Sample Settings
• Title（参考訳）: AdaPS-LiNGAM:小さなサンプル設定下での線形非ガウス非巡回モデルに対する適応的前駆体選択
• Abstract要約: 利用可能なサンプルサイズが変数の数に対して小さい場合、因果発見は特に困難になる。 DirectLiNGAMは因果順序を推定する。 AdaPS-LiNGAMは、サンプル限定設定で正確な因果構造回復を提供する。
• 参考スコア（独自算出の注目度）: 2.087552908820655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery becomes particularly challenging when the available sample size is small relative to the number of variables. This challenge also arises in the linear non-Gaussian acyclic model (LiNGAM), an identifiable framework for causal discovery from observational data. DirectLiNGAM estimates a causal order, which arranges variables so that causes precede their effects, by sequentially identifying an exogenous variable and removing its linear effect from the remaining variables. We establish a structural limitation of this procedure: when the number of variables exceeds the sample size, repeated residualization necessarily becomes degenerate before the full causal order can be determined. Our analysis further reveals that each residual can be reconstructed using only a graph-determined subset of variables already placed earlier in the causal order, termed the active boundary. This result motivates AdaPS-LiNGAM (Adaptive Predecessor Selection LiNGAM), which reconstructs each residual directly from the original observations using an adaptively chosen sparse subset of those earlier variables. The same subset-selection principle is also applied to the final pruning step for edge estimation. Experiments on synthetic data demonstrate that AdaPS-LiNGAM provides accurate causal-structure recovery in sample-limited settings and degrades more gradually as the sample size decreases.
• Abstract（参考訳）: 利用可能なサンプルサイズが変数の数に対して小さい場合、因果発見は特に困難になる。 この課題は、観測データから因果発見を行うための同定可能なフレームワークである線形非ガウス非巡回モデル (LiNGAM) にも生じる。 DirectLiNGAMは、外因性変数を逐次同定し、残りの変数から線形効果を取り除き、その影響に先立つように変数を配置する因果順序を推定する。 変数の数がサンプルサイズを超えると、再帰的残差化は、完全な因果順序が決定される前に必ず退化する。 解析の結果,各残余は,すでに因果順序に置かれている変数のグラフ決定部分集合のみを用いて再構成可能であることが明らかとなった。 この結果は、AdaPS-LiNGAM (Adaptive Predecessor Selection LiNGAM) を動機付け、これらの変数の適応的に選択されたスパースサブセットを使用して、元の観測から各残基を直接再構成する。 同じサブセット選択原理が、エッジ推定のための最終プルーニングステップにも適用される。 AdaPS-LiNGAMはサンプル制限条件下で正確な因果構造を復元し,サンプルサイズが減少するにつれて徐々に劣化することを示した。

関連論文リスト

• Robust Dual-Regularized Variable Selection under Outlier Contamination [0.0]
  本研究では,外層汚染を伴う単一指標モデルにおける変分選択のための勾配法(smOPG)の2段階的中央値外積を提案する。 大気汚染とゲノムデータへの応用は実用性を示し、理論は個々の局所回帰の選択一貫性を必要とせず、アクティブセットの回復を確立する。
  論文  参考訳（メタデータ） (2026-09-18T05:56:33Z)
• Phase Transition in Binary Compressed Sensing via Annealing with Adaptive Regularization [0.7734726150561088]
  正規化選択は、バイナリ圧縮センシングの回復相図を変更する。 本研究では,系統的なパラメータ探索とランダムな森林回帰を組み合わせた正規化-選択法を開発した。
  論文  参考訳（メタデータ） (2026-09-15T06:35:58Z)
• 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)
• Evolution-Aware MSA Reasoning for Subsampling via Factor Graphs [55.715754117956514]
  複数のシーケンスアライメントは、明示的な進化コンテキストを持つタンパク質言語モデルを提供する。 MSAサブサンプリングは限定的なトークン予算では避けられない。 本稿では,因子グラフ推論を用いて固定予算MSAサブセットを推定するAP-REASONERを提案する。
  論文  参考訳（メタデータ） (2026-07-24T13:55:21Z)
• Simulation-Based Inference via Regression Projection and Batched Discrepancies [1.9435397960631862]
  我々は,観測データの回帰に基づく投影のみを用いて,シミュレーションパラメータを推論する軽量なシミュレーションベース推論手法を解析した。 DREAMSシミュレーションスイートを用いたトラクタブル非線形モデルと宇宙キャリブレーションタスクの実験は、回帰ベースの射影の計算上の利点を示している。
  論文  参考訳（メタデータ） (2026-02-03T15:07:40Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Parameter identification in linear non-Gaussian causal models under general confounding [8.273471398838533]
  このようなモデルが潜伏変数を含む場合の線形係数の同定について検討する。 我々の主な成果は、直接的な因果効果の一般的な識別可能性を決定するのに必要かつ十分であるグラフィカルな基準である。 同定結果に基づいて推定を報告し、フィードバックループを持つモデルへの一般化を探索し、因果グラフの識別可能性に関する新たな結果を提供する。
  論文  参考訳（メタデータ） (2024-05-31T14:39:14Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• 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。