論文の概要: Residual-Based Causal Discovery via Pretrained In-Context Quantile Regression

• arxiv url: http://arxiv.org/abs/2610.29530v1
• Date: Wed, 21 Oct 2026 10:19:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.312073
• Title: Residual-Based Causal Discovery via Pretrained In-Context Quantile Regression
• Title（参考訳）: 事前制約されたIn-Context量子回帰による残留型因果発見
• Abstract要約: 残差に基づく因果発見は、それぞれの変数が両親と独立したノイズ源から生成されると仮定する。 加法ノイズモデル(ANMs)や位置スケールノイズモデル(LSNMs)のような同定可能な関数の場合、この原理は因果方向を特定する。 既存のLSNM法は、標準化された残差を得るためにパラメトリックな仮定に依存しており、モデルの誤特定を危険にさらしている。 LSNMに対するRESITの拡張であるLoscarを提案し、量子回帰による条件平均とスケールを推定する。
• 参考スコア（独自算出の注目度）: 43.107949088902984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Residual-based causal discovery assumes that each variable is generated from its parents and an independent noise source. It estimates this noise and tests its independence from candidate causes. For identifiable functions such as additive-noise models (ANMs) and the broader class of location-scale noise models (LSNMs), this principle identifies the causal direction, as only the causal model admits this independence. Existing LSNM methods rely on parametric assumptions to obtain standardized residuals, risking model misspecification. In contrast, the RESIT-framework allows for nonparametric estimation of residuals to iteratively identify sink nodes, but was proposed for ANMs. To close this gap, we propose Loscar, an extension of RESIT to LSNMs that estimates the conditional mean and scale via quantile regression, enabling pretrained tabular foundation models as plug-in estimators. We compare it with a feasible generalized least squares (FGLS) variant, which is consistent given suitable basis functions. Across bivariate and multivariate causal-discovery benchmarks, in-context quantile regression substantially outperforms FGLS with flexible function classes, particularly for multivariate causes.
• Abstract（参考訳）: 残差に基づく因果発見は、それぞれの変数が両親と独立したノイズ源から生成されると仮定する。 このノイズを推定し、候補者からの独立性をテストする。 加法ノイズモデル(ANMs)やより広範な位置スケールノイズモデル(LSNMs)のような同定可能な関数について、この原理は因果モデルのみが独立性を認めているため、因果方向を特定する。 既存のLSNM法は、標準化された残差を得るためにパラメトリックな仮定に依存しており、モデルの誤特定を危険にさらしている。 これとは対照的に、RESIT-frameworkはシンクノードを反復的に識別する残差の非パラメトリック推定を可能にするが、ANMのために提案された。 このギャップを埋めるため,LSNMに対するRESITの拡張であるLoscarを提案する。 我々はこれをFGLS(Fasible Generalized least squares)の変種と比較する。 二変量および多変量因果発見ベンチマーク全体において、文脈内量子化回帰は、特に多変量原因に対して、柔軟な関数クラスを持つFGLSを大幅に上回る。

関連論文リスト

• Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
  制約を克服するオイラー法に対する全変分に基づく解析法を開発した。 その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。 全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
  論文  参考訳（メタデータ） (2026-02-26T00:47:51Z)
• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• 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)
• Robust Estimation of Causal Heteroscedastic Noise Models [7.568978862189266]
  学生の$t$-distributionは、より小さなサンプルサイズと極端な値で、全体の分布形態を著しく変えることなく、サンプル変数をサンプリングすることの堅牢さで知られている。 我々の経験的評価は、我々の推定器はより堅牢で、合成ベンチマークと実ベンチマークの総合的な性能が向上していることを示している。
  論文  参考訳（メタデータ） (2023-12-15T02:26:35Z)
• Model-based causal feature selection for general response types [8.228587135343071]
  Invariant causal prediction (ICP) は、不均一な設定からのデータを必要とする因果的特徴選択の手法である。 我々は変換モデル(TRAM)ベースのICPを開発し、連続的、分類的、カウント型、非形式的に検閲された応答を可能にする。 我々は、オープンソースのRパッケージ「tramicp」を提供し、シミュレーションデータに対する我々のアプローチを評価し、重篤な患者の生存の因果的特徴を調査する事例研究を行った。
  論文  参考訳（メタデータ） (2023-09-22T12:42:48Z)
• A probabilistic, data-driven closure model for RANS simulations with aleatoric, model uncertainty [1.8416014644193066]
  本稿では,レノルズ平均Navier-Stokes (RANS) シミュレーションのためのデータ駆動閉包モデルを提案する。 パラメトリック閉包が不十分な問題領域内の領域を特定するために,完全ベイズ的定式化と余剰誘導先行法を組み合わせて提案する。
  論文  参考訳（メタデータ） (2023-07-05T16:53:31Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)

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。