論文の概要: DAG Structure Learning with Node-Varying Heavy-Tailed Disturbances

• arxiv url: http://arxiv.org/abs/2610.13304v1
• Date: Fri, 09 Oct 2026 09:50:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.511529
• Title: DAG Structure Learning with Node-Varying Heavy-Tailed Disturbances
• Title（参考訳）: ノード可変重り付き外乱を用いたDAG構造学習
• Abstract要約: DAG構造は、スムーズな制約によって非周期性を導入することで観測から学ぶことができる。 本稿では,グラフ構造,ノード固有外乱スケール,自由度パラメータを共同で推定するノード変動型Studio-$t$DAGMAを提案する。
• 参考スコア（独自算出の注目度）: 27.260612610644188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: DAG structures can be learned from observations by incorporating acyclicity via smooth constraints, such as DAGMA's log-determinant function. Typically, observations and the underlying DAG are related through linear structural equation models, with Gaussianity assumption on the disturbances at each node. Extending DAG learning methods that account for scale and tail behavior of disturbances that vary across nodes remains a challenge. We propose a node-varying Student-$t$ DAGMA that jointly estimates the graph structure, node-specific disturbance scales, and the degrees-of-freedom parameter. A Gaussian scale-mixture representation yields an iteratively reweighted formulation that down-weights large standardized residuals. Building on existing results, we also establish identifiability of the graph and disturbance parameters. Synthetic experiments demonstrate improved structural recovery under heterogeneous heavy-tailed disturbances, and experiments on real finance data show that the proposed method yields lower test negative log-likelihood than the evaluated baselines.
• Abstract（参考訳）: DAGMAの対数決定関数のようなスムーズな制約によって非循環を組み込むことで、観測からDAG構造を学ぶことができる。 通常、観測と基礎となるDAGは線形構造方程式モデルによって関連付けられ、ガウス性は各ノードの乱れを仮定する。 ノード毎に異なる障害のスケールとテールの振る舞いを考慮に入れたDAG学習手法の拡張は、依然として課題である。 本稿では,グラフ構造,ノード固有外乱スケール,自由度パラメータを共同で推定するノード変動型Studio-$t$DAGMAを提案する。 ガウスのスケール混合表現は、ダウンウェイトが大きな標準化された残基を拡大する反復的に再重み付けされた定式化をもたらす。 既存の結果に基づいて、グラフと外乱パラメータの識別可能性を確立する。 合成実験により, ヘテロジニアス重み付き乱れによる構造回復が向上し, 実測データを用いた実験により, 提案手法が評価基準線よりも低い負の対数類似度が得られることが示された。

関連論文リスト

• Causal Discovery for Linear DAGs with Dependent Latent Variables via Higher-order Cumulants [7.808674222118538]
  既存の手法では、相互に独立した潜在的共同創設者を仮定するか、観測変数間の因果関係を持つモデルを適切に扱うことができない。 本稿では,LvLiNGAMにおける因果DAGを同定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T15:15:20Z)
• Scalable Variational Causal Discovery Unconstrained by Acyclicity [6.954510776782872]
  観測データから得られた因果グラフ上の後部分布を学習するために,スケーラブルなベイズ的手法を提案する。 有効な非巡回因果グラフを生成することができる新しい微分可能なDAGサンプリング手法を提案する。 連続領域上の単純な変分分布を用いて因果グラフ上の後部分布をモデル化することができる。
  論文  参考訳（メタデータ） (2024-07-06T07:56:23Z)
• Order-based Structure Learning with Normalizing Flows [7.972479571606131]
  観測データの因果構造を推定することは、グラフサイズと超指数的にスケールする難しい探索問題である。 既存の手法では、連続緩和を用いてこの問題を計算的に取り扱えるようにしているが、しばしばデータ生成過程を加法雑音モデル(ANM)に制限する。 自己回帰正規化フローを用いてこれらの仮定を緩和するフレームワークである,正規化フローを用いた秩序に基づく構造学習(OSLow)を提案する。
  論文  参考訳（メタデータ） (2023-08-14T22:17:33Z)
• 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)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• OrthoReg: Improving Graph-regularized MLPs via Orthogonality Regularization [66.30021126251725]
  グラフニューラルネットワーク(GNN)は現在、グラフ構造データのモデリングにおいて支配的である。 グラフ正規化ネットワーク(GR-MLP)はグラフ構造情報をモデル重みに暗黙的に注入するが、その性能はほとんどのタスクにおいてGNNとほとんど一致しない。 GR-MLPは,最大数個の固有値が埋め込み空間を支配する現象である次元崩壊に苦しむことを示す。 次元崩壊問題を緩和する新しいGR-MLPモデルであるOrthoRegを提案する。
  論文  参考訳（メタデータ） (2023-01-31T21:20:48Z)
• 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)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。