論文の概要: Score-Based Learning of Cluster DAGs from Interventions

• arxiv url: http://arxiv.org/abs/2610.11947v1
• Date: Thu, 08 Oct 2026 13:35:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.055387
• Title: Score-Based Learning of Cluster DAGs from Interventions
• Title（参考訳）: 干渉によるクラスタDAGのスコアベース学習
• Abstract要約: クラスタDAGを学習する最初のスコアベース手法であるCOARSEを紹介する。 介入自体がクラスタ上の因果順序を識別し、エッジの学習はクラスタレベルのBICスコアの下でクラスタ毎の1つの局所探索に還元されることを示す。 合成および実世界の干渉データでは、COARSEは十分なサンプルを与えられた最先端のエッジリカバリと一致し、エッジフェーズは数百ノードの高密度グラフを含む最大2桁高速になる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graphical approaches to causal abstraction transform a low-level causal directed acyclic graph (DAG) over many measured variables into a smaller, high-level DAG whose nodes cluster the original variables and whose edges summarize the causal relations between clusters. Such cluster DAGs are easier to interpret, but learning them requires finding the clusters and recovering the edges between them. Madaleno et al. (2026) learn the interventional coarsening (the cluster DAG that merges variables the interventions cannot distinguish) in two constraint-based phases: first the clusters, then the edges. We introduce COARSE, the first score-based method for this task: it keeps the two-phase structure but, under linear Gaussian assumptions, swaps the constraint-based edge phase for a score-based one. We show that the interventions themselves identify a causal order over the clusters, and learning the edges reduces to a single local search per cluster under a cluster-level BIC score. We prove that the procedure runs in polynomial time and, provided the variables affected by each intervention are correctly identified, that it is consistent. On synthetic and real-world interventional data, COARSE matches state-of-the-art edge recovery given enough samples, with an edge phase up to two orders of magnitude faster, including on dense graphs with hundreds of nodes.
• Abstract（参考訳）: 因果抽象に対するグラフ的アプローチは、多くの測定された変数に対する低レベル因果非巡回グラフ(DAG)を、ノードが元の変数をクラスタ化し、エッジがクラスタ間の因果関係を要約する小さな高レベルDAGに変換する。 このようなクラスタDAGは解釈が容易だが、それらを学ぶには、クラスタを見つけ、それらの間のエッジを回復する必要がある。 Madaleno et al (2026) は2つの制約ベースのフェーズ(最初はクラスタ、次にエッジ)で介入粗大化(介入が区別できない変数をマージするクラスタDAG)を学ぶ。 2相構造を保持するが、線形ガウスの仮定では、制約ベースのエッジフェーズをスコアベースに置き換える。 介入自体がクラスタ上の因果順序を識別し、エッジの学習はクラスタレベルのBICスコアの下でクラスタ毎の1つの局所探索に還元されることを示す。 手順が多項式時間で実行されることを証明し、各介入によって影響を受ける変数が正しく識別された場合、それは一貫したものであることを証明する。 合成および実世界の干渉データでは、COARSEは十分なサンプルを与えられた最先端のエッジリカバリと一致し、エッジフェーズは数百ノードの高密度グラフを含む最大2桁高速になる。

関連論文リスト

• A column generation algorithm with dynamic constraint aggregation for minimum sum-of-squares clustering [0.30693357740321775]
  最小2乗クラスタリング問題(MSSC)は、$n$のデータポイントを$k$クラスタに分割する問題を指す。 カラム生成(CG)と動的制約集約(DCA)を組み合わせた大規模MSSCインスタンスの効率的な解法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T16:51:28Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [85.51611950757643]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Progressive Sub-Graph Clustering Algorithm for Semi-Supervised Domain Adaptation Speaker Verification [17.284276598514502]
  マルチモデル投票と二重ガウスに基づく評価に基づく新しいプログレッシブサブグラフクラスタリングアルゴリズムを提案する。 破滅的なクラスタリング結果を防止するため、段階的にkを増大させ、二重ガウスに基づく評価アルゴリズムを用いる反復的手法を採用する。
  論文  参考訳（メタデータ） (2023-05-22T04:26:18Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
  両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。 本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。 このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
  論文  参考訳（メタデータ） (2023-05-12T11:27:20Z)
• Simple and Scalable Algorithms for Cluster-Aware Precision Medicine [0.0]
  共同クラスタリングと埋め込みに対するシンプルでスケーラブルなアプローチを提案する。 この新しいクラスタ対応の埋め込みアプローチは、現在の共同埋め込みとクラスタリング法の複雑さと限界を克服する。 当社のアプローチでは,ユーザが希望するクラスタ数を選択する必要はなく,階層的にクラスタ化された埋め込みの解釈可能なデンドログラムを生成する。
  論文  参考訳（メタデータ） (2022-11-29T19:27:26Z)
• GLCC: A General Framework for Graph-level Clustering [5.069852282550117]
  本稿では,グラフレベルのクラスタリングの問題について検討する。 GLCC(Graph-Level Contrastive Clustering)というグラフレベルの一般的なクラスタリングフレームワークを提案する。 様々なよく知られたデータセットに対する実験は、競合するベースラインよりも提案したGLCCの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-21T11:08:10Z)

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。