論文の概要: Graph Dirichlet Energy for Fitting-Free Bivariate Causal Inference

• arxiv url: http://arxiv.org/abs/2610.21892v1
• Date: Thu, 15 Oct 2026 13:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.095806
• Title: Graph Dirichlet Energy for Fitting-Free Bivariate Causal Inference
• Title（参考訳）: 自由二変量因数推論のためのグラフディリクレエネルギー
• Abstract要約: 本稿では,原因と効果を区別するためのグラフディリクレエネルギー因数推論(GDECI)基準を提案する。 GDECI と QCCD, GRCI, CAM, IGCI (2変種), RESIT, LOCI, QPE-k, RECI (2変種) を比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose the Graph Dirichlet Energy Causal Inference (GDECI) criterion for distinguishing cause from effect in bivariate settings. For a candidate direction $X\to Y$, we construct a kernel similarity graph from $X$ and treat $Y$ as a graph signal. The score is the Dirichlet energy of this signal, induced by the unnormalized graph Laplacian. The reverse score swaps the variables, and the lower-energy direction is inferred as causal. The method requires neither regression fitting nor independence testing. After the empirical probability integral transform, its decisions are invariant under strictly monotone transformations of either variable, and the graph operations reduce to convolutions, allowing exact evaluation in $O(n\log n)$ time and $O(n)$ memory. At the population level, GDECI compares degree-weighted Bayes squared prediction errors plus a non-negative smoothness term of the regression function. As the bandwidth tends to zero, the weights become uniform and the smoothness term vanishes, reducing the criterion to a RECI-type comparison of expected conditional variances in copula space. Empirically, we compare GDECI with QCCD, GRCI, CAM, IGCI (two variants), RESIT, LOCI, QPE-k, and RECI (two variants), in accuracy on 1899 cause--effect pairs and in inference speed. GDECI ranked fifth of eleven methods in macro-averaged accuracy on 12 synthetic suites ($0.776$). On the real-world Tuebingen pairs, it ranked third in unweighted accuracy ($0.684$) and fifth in weighted accuracy ($0.678$). It was also the fastest of the compared methods up to $n\approx10^{4}$. The accompanying code repository: https://github.com/povidanius/gdeci.
• Abstract（参考訳）: 本稿では,二変量環境における原因を識別するためのグラフディリクレエネルギー因数推論(GDECI)基準を提案する。 候補方向 $X\to Y$ に対して、X$ からカーネル類似性グラフを構築し、グラフ信号として $Y$ を扱います。 スコアはこの信号のディリクレエネルギーであり、非正規化グラフラプラシアンによって誘導される。 逆スコアは変数をスワップし、低エネルギー方向を因果として推定する。 この方法は回帰フィッティングも独立テストも必要としない。 経験的確率積分変換の後、その決定は変数の厳密な単調変換の下で不変であり、グラフ演算は畳み込みに還元され、$O(n\log n)$ time と $O(n)$ memory の正確な評価が可能となる。 人口レベルでは、GDECIは次数重み付きベイズ2乗予測誤差と回帰関数の非負の滑らかさ項を比較する。 帯域幅がゼロになるにつれて、重みは均一になり、滑らかな項は消滅し、コプラ空間における期待条件分散のRECI型比較に対する基準が減少する。 実験では, GDECI と QCCD, GRCI, CAM, IGCI (2変種), RESIT, LOCI, QPE-k, RECI (2変種) を比較した。 GDECIは12の合成スイート(0.776$)でマクロ平均精度で11の手法の5位にランクインした。 現実世界のTuebingenペアでは、非重み付き精度(0.684$)で3位、重み付き精度(0.678$)で5位だった。 また、比較対象のメソッドの中では、$n\approx10^{4}$までの最速であった。 付随するコードリポジトリは、https://github.com/povidanius/gdeciである。

関連論文リスト

• Convex Optimization Is Free When Accuracy Is Expensive [18.56538898519597]
  我々は、勾配を正確に評価できないときに凸最適化を研究するが、精度$$$で$-$のように計算が成長するアルゴリズムの階層によってのみ近似される。 損失関数の最小化に要するコストは,問題要求の精度での勾配の1つの評価よりも,$のみに依存する。
  論文  参考訳（メタデータ） (2026-09-28T15:30:18Z)
• Is Spurious Correlation Removal Always Learnable? [56.28155520961125]
  不変学習は、構造が統計的に識別可能であっても失敗することがある。 ブラックボックスサンプリング可能な教師付きスパースリカバリプリミティブの下では、実証可能な多次元環境が存在する。 合成および実際のデータセットは、予測されたギャップと遷移を示し、単純な多様性診断を動機付ける。
  論文  参考訳（メタデータ） (2026-06-11T05:49:43Z)
• Spectral Anatomy of Quantum Gaussian Process Kernels [38.264196157340216]
  我々は,Nystrm近似誤差に束縛されたコーシー=シュワルツテール,有限サンプル分散抽出等式,およびエンフターゲット依存の最適エントロピーのキャラクタリゼーションを証明した。 診断はカーネルに依存しない: ハードウェア効率、マッチゲート、IQPのインハンドRBF/Matérn/RFF/deep-カーネルファミリはすべて同一の$S/log n$曲線に崩壊する。
  論文  参考訳（メタデータ） (2026-05-29T07:41:14Z)
• Online Covariance Estimation in Averaged SGD: Improved Batch-Mean Rates and Minimax Optimality via Trajectory Regression [12.805268849262243]
  我々はPolyak-Ruppert averaged gradient descent (SGD)のオンライン共分散行列推定について検討した。 この構造は、このボトルネックがSGDドリフトからヘッセンの情報をサブ線形に蓄積していることを明らかにする。
  論文  参考訳（メタデータ） (2026-04-12T20:49:33Z)
• Information Hidden in Gradients of Regression with Target Noise [2.8911861322232686]
  勾配だけでヘッセンが明らかになることを示す。 我々はガウス以下の入力の下で非漸近作用素ノルム保証を提供する。
  論文  参考訳（メタデータ） (2026-01-26T14:50:16Z)
• Scale-Invariant Regret Matching and Online Learning with Optimal Convergence: Bridging Theory and Practice in Zero-Sum Games [60.871651115241406]
  ゼロサムゲームにおける理論と実践の間、何十年にもわたってかなりのシャズムが一階法によって浸食されてきた。 我々は、IREG-PRM$+$と呼ぶPRM$+$の新しいスケール不変かつパラメータフリーな変種を提案する。 ベンチマークゲームでは, PRM$+$と同等でありながら, 最適収束保証を$T-1/2$, $T-1$とする。
  論文  参考訳（メタデータ） (2025-10-06T00:33:20Z)
• Accelerated Gradient Tracking over Time-varying Graphs for Decentralized Optimization [59.65871549878937]
  実用的な単一ループ加速勾配追跡には$O(fracgamma1-sigma_gamma)2sqrtfracLepsilon)$が必要であることを証明している。 我々の収束率は$O(frac1epsilon5/7)$と$O(fracLmu)5/7frac1(1-sigma)1.5logfrac1epsilon)$よりも大幅に改善した。
  論文  参考訳（メタデータ） (2021-04-06T15:34:14Z)
• Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
  学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。 i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
  論文  参考訳（メタデータ） (2020-07-16T06:44:44Z)

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。