因果推論のためのフローマッチングに基づく条件独立性テスト

arXiv:2602.08315v1 Announce Type: new Abstract: 制約ベースの因果推論手法は、多くの条件独立性（CI）テストを必要とし、高次計算複雑性により実用上の適用を大幅に制限する。したがって、個々のテストを加速させるアルゴリズムを設計することが不可欠である。このために、私たちはフローマッチングに基づく条件独立性テスト（FMCIT）を提案する。提案されたテストは、フローマッチングの高い計算効力を活用し、全体的な因果推論手続きを通じてモデルを一度しか訓練する必要がないため、因果推論を大幅に加速する。数値実験によると、FMCIT は高次元の条件集合が存在する場合でも、Type-I 誤りを適切に制御し、代替仮説下で高い検出力（power）を維持する。さらに、私たちは FMCIT を 2 ステージガイド付き PC スケレトンの学習フレームワーク、GPC-FMCIT に統合し、FMCIT を使用した高速スクリーニングとガイド付き・予算付きリファインメントを組み合わせる設計を行った。この設計は CI クエリ数の明確な上限を与えつつ、高い統計的検出力を維持する。合成および実世界の因果推論タスクにおける実験は、既存の CI テスト手法および PC バリヤントよりも有利な精度と効率のトレードオフを示した。

arXiv:2602.08315v1 Announce Type: new Abstract: Constraint-based causal discovery methods require a large number of conditional independence (CI) tests, which severely limits their practical applicability due to high computational complexity. Therefore, it is crucial to design an algorithm that accelerates each individual test. To this end, we propose the Flow Matching-based Conditional Independence Test (FMCIT). The proposed test leverages the high computational efficiency of flow matching and requires the model to be trained only once throughout the entire causal discovery procedure, substantially accelerating causal discovery. According to numerical experiments, FMCIT effectively controls type-I error and maintains high testing power under the alternative hypothesis, even in the presence of high-dimensional conditioning sets. In addition, we further integrate FMCIT into a two-stage guided PC skeleton learning framework, termed GPC-FMCIT, which combines fast screening with guided, budgeted refinement using FMCIT. This design yields explicit bounds on the number of CI queries while maintaining high statistical power. Experiments on synthetic and real-world causal discovery tasks demonstrate favorable accuracy-efficiency trade-offs over existing CI testing methods and PC variants.