論文の概要: Security Properties as Nested Causal Statements

• arxiv url: http://arxiv.org/abs/2104.00872v1
• Date: Fri, 2 Apr 2021 03:29:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 13:42:36.397339
• Title: Security Properties as Nested Causal Statements
• Title（参考訳）: ネスト因果文としてのセキュリティ特性
• Authors: Matvey Soloviev, Joseph Y. Halpern
• Abstract要約: 因果関係のhalpern-pearlフレームワークを拡張して,ネスト因果ステートメントをキャプチャする。 我々は、意図しない因果文を念頭に置いたhpフレームワークの設計決定について再検討した。
• 参考スコア（独自算出の注目度）: 17.06945910302863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thinking in terms of causality helps us structure how different parts of a system depend on each other, and how interventions on one part of a system may result in changes to other parts. Therefore, formal models of causality are an attractive tool for reasoning about security, which concerns itself with safeguarding properties of a system against interventions that may be malicious. As we show, many security properties are naturally expressed as nested causal statements: not only do we consider what caused a particular undesirable effect, but we also consider what caused this causal relationship itself to hold. We present a natural way to extend the Halpern-Pearl (HP) framework for causality to capture such nested causal statements. This extension adds expressivity, enabling the HP framework to distinguish between causal scenarios that it could not previously naturally tell apart. We moreover revisit some design decisions of the HP framework that were made with non-nested causal statements in mind, such as the choice to treat specific values of causal variables as opposed to the variables themselves as causes, and may no longer be appropriate for nested ones.
• Abstract（参考訳）: 因果関係の観点から考えることは、システムの異なる部分が相互に依存しているか、システムのある部分への介入が他の部分の変更をもたらすか、という構成に役立ちます。 したがって、形式的な因果関係のモデルがセキュリティを推論するための魅力的なツールであり、悪意のある介入に対してシステムの特性を保護することに関心を持つ。 私たちが示すように、多くのセキュリティ特性はネストされた因果関係として自然に表現されます。 本稿では,Halpern-Pearl(HP)フレームワークを拡張して,このようなネストした因果関係を捉える自然な方法を提案する。 この拡張は表現性を追加し、HPフレームワークが以前は区別できなかった因果的なシナリオを区別できるようにする。 我々はさらに、原因変数自体を原因とする変数ではなく、因果変数の特定の値を扱うという選択など、ネストしない因果ステートメントを念頭に置いて作られたHPフレームワークの設計決定を再考する。

関連論文リスト

• Characterising Interventions in Causal Games [1.2289361708127877]
  因果ゲームは、多エージェント設定で因果クエリを答えられる確率的グラフィカルモデルである。 我々は、因果メカニズムの設計とコミットメントを考慮し、安全なAIシステムの設計への応用を実証する。
  論文  参考訳（メタデータ） (2024-06-13T16:55:07Z)
• Invariant Causal Set Covering Machines [64.86459157191346]
  決定木のようなルールベースのモデルは、解釈可能な性質のために実践者にアピールする。 しかし、そのようなモデルを生成する学習アルゴリズムは、しばしば刺激的な関連に弱いため、因果関係の洞察を抽出することが保証されていない。 Invariant Causal Set Covering Machines は、古典的集合被覆マシンアルゴリズムの拡張であり、二値ルールの結合/分離を可能とし、スプリアス関係を確実に回避する。
  論文  参考訳（メタデータ） (2023-06-07T20:52:01Z)
• Learning Causally Disentangled Representations via the Principle of Independent Causal Mechanisms [17.074858228123706]
  本稿では、因果関係の観測ラベルによって教師される因果関係の非絡み合い表現を学習するための枠組みを提案する。 この枠組みは, 極めて不整合な因果関係を生じさせ, 介入の堅牢性を向上し, 反事実発生と相容れないことを示す。
  論文  参考訳（メタデータ） (2023-06-02T00:28:48Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Variation-based Cause Effect Identification [5.744133015573047]
  本稿では、因果発見のための変分に基づく原因影響同定(VCEI)フレームワークを提案する。 我々の枠組みは、既存の非循環因果関係を前提として、原因とメカニズムの独立(ICM)の原理に依存している。 因果方向では、このような変動が効果発生機構に影響を与えないことが期待されている。
  論文  参考訳（メタデータ） (2022-11-22T05:19:12Z)
• Phenomenological Causality [14.817342045377842]
  本稿では,基本的な概念が基本的な行動の集合である「現象因果性」の概念を提案する。 検討中のシステムが基本的な動作を制御する他の変数と相互作用する場合、それは因果マルコフ条件と一致していると論じる。
  論文  参考訳（メタデータ） (2022-11-15T13:05:45Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis [62.44432226563088]
  因果推論は変数間の因果関係を捉えるプロセスである。 本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。 GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
  論文  参考訳（メタデータ） (2021-04-19T16:13:10Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• A Critique on the Interventional Detection of Causal Relationships [0.0]
  インターベンションはパールの確率論的因果関係体制において基本的な重要性である。 因果関係を非因果関係として因果関係を導入する。
  論文  参考訳（メタデータ） (2020-03-26T02:16:05Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。