Fugu-MT 論文翻訳(概要): Formalizing Statistical Causality via Modal Logic

論文の概要: Formalizing Statistical Causality via Modal Logic

arxiv url: http://arxiv.org/abs/2210.16751v2
Date: Tue, 1 Nov 2022 03:22:11 GMT
ステータス: 翻訳完了
システム内更新日: 2022-11-02 10:28:14.708209
Title: Formalizing Statistical Causality via Modal Logic
Title（参考訳）: モーダル論理による統計的因果関係の定式化
Abstract要約: 確率変数に対する因果効果を特定するための統計的因果言語(StaCL)を定義する。 StaCLは、Kripkeモデルにおいて、異なる可能な世界の確率分布間の因果特性を表現するための介入のためのモダル作用素を組み込んでいる。
参考スコア（独自算出の注目度）: 1.662966122370634
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a formal language for describing and explaining statistical causality. Concretely, we define Statistical Causality Language (StaCL) for specifying causal effects on random variables. StaCL incorporates modal operators for interventions to express causal properties between probability distributions in different possible worlds in a Kripke model. We formalize axioms for probability distributions, interventions, and causal predicates using StaCL formulas. These axioms are expressive enough to derive the rules of Pearl's do-calculus. Finally, we demonstrate by examples that StaCL can be used to prove and explain the correctness of statistical causal inference.
Abstract（参考訳）: 統計的因果関係を記述・説明するための形式言語を提案する。具体的には、確率変数に対する因果効果を特定するための統計的因果言語(StaCL)を定義する。 staclは、クリプケモデルにおいて、異なる可能な世界における確率分布間の因果特性を表現するために介入のためにモード演算子を組み込んでいる。確率分布,介入,因果述語に対する公理を StaCL 式を用いて定式化する。これらの公理はパールのdo-calculusの規則を導出するのに十分表現的である。最後に,StaCLが統計的因果推論の正しさの証明と説明に利用できることを示す。

関連論文リスト

Solution of the Hempel's statistical ambiguity problem and Causal AI [0.0]
本稿ではカール・ヘンペルの帰納的統計的推論における統計的曖昧性の長年の問題に対処する。我々はナンシー・カートライト(Nancy Cartwright)が定義した、背景のコンテキストにまたがる確率を高める原因を定義し、因果規則(Causal Rules)の概念を導入する。統計的に関係のある情報をすべて取り入れることで、これらの因果規則を漸進的に洗練する特別な意味確率的推論手順を定義する。
論文参考訳（メタデータ） (2026-07-14T14:44:48Z)
A Theoretical Interpretation of In-Context Learning via Probabilistic Modeling [20.181729745308377]
In-context Learning(ICL)は、ユーザクエリに対する回答を生成するために、大規模言語モデルに固有の意味情報を利用する新興パラダイムである。本研究は、ICCの確率モデルを示し、一般パラメトリック分布と指数族の両方に対するICCの性能を導出する。
論文参考訳（メタデータ） (2026-06-27T14:01:48Z)
LLM-Assisted Causal Structure Disambiguation and Factor Extraction for Legal Judgment Prediction [4.655574344274635]
本稿では,大規模言語モデルと統計的因果探索を融合した拡張因果推論フレームワークを提案する。提案手法は,予測精度とロバスト性の両方において,最先端のベースラインを著しく上回る。
論文参考訳（メタデータ） (2026-03-12T02:14:16Z)
Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach [9.175642602891939]
Causal Assumption-based Argumentation (ABA)は、入力制約と出力グラフの対応性を確保するためにシンボリック推論を使用するフレームワークである。本稿では,大言語モデル(LLM)をCausal ABAの不完全専門家として活用し,変数名や記述から意味的構造的事前を抽出する方法について検討する。標準的なベンチマークとセマンティックグラウンドの合成グラフの実験は、最先端の性能を示している。
論文参考訳（メタデータ） (2026-02-18T14:15:21Z)
The Foundations of Tokenization: Statistical and Computational Concerns [51.370165245628975]
トークン化は、NLPパイプラインにおける重要なステップである。 NLPにおける標準表現法としての重要性は認識されているが、トークン化の理論的基盤はまだ完全には理解されていない。本稿では,トークン化モデルの表現と解析のための統一的な形式的枠組みを提案することによって,この理論的ギャップに対処することに貢献している。
論文参考訳（メタデータ） (2024-07-16T11:12:28Z)
Identifiable Latent Neural Causal Models [82.14087963690561]
因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。因果表現の識別可能性に寄与する分布シフトのタイプを決定する。本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
論文参考訳（メタデータ） (2024-03-23T04:13:55Z)
Algorithmic syntactic causal identification [0.8901073744693314]
因果的ベイズネット(CBN)の因果的識別は因果的推論において重要なツールである。 d-分離やdo-calculusといった手法を用いた因果同定の定式化は、古典的確率論の数学的言語で表現されている。古典的確率論を対称モノイド圏の代替公理的基礎に置き換えることで、この制限を解除できることを示す。
論文参考訳（メタデータ） (2024-03-14T17:14:53Z)
Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文参考訳（メタデータ） (2023-08-24T16:06:36Z)
User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文参考訳（メタデータ） (2023-06-13T03:42:03Z)
Reinterpreting causal discovery as the task of predicting unobserved joint statistics [15.088547731564782]
我々は因果発見が、観測されていない関節分布の性質を推測するのに役立つと論じている。入力が変数のサブセットであり、ラベルがそのサブセットの統計的性質である学習シナリオを定義する。
論文参考訳（メタデータ） (2023-05-11T15:30:54Z)
Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
論文参考訳（メタデータ） (2023-05-09T09:08:39Z)
Axiomatization of Interventional Probability Distributions [4.02487511510606]
因果的介入は、do-calculusの規則の下で公理化される。我々の公理化の下では、インターベンジド分布は定義されたインターベンジド因果グラフに対するマルコフ分布であることが示される。また、自然構造因果モデルの大規模なクラスが、ここで提示される理論を満たすことを示す。
論文参考訳（メタデータ） (2023-05-08T06:07:42Z)
Typing assumptions improve identification in causal discovery [123.06886784834471]
観測データからの因果発見は、正確な解を常に特定できない難しい課題である。そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
論文参考訳（メタデータ） (2021-07-22T14:23:08Z)
Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文参考訳（メタデータ） (2020-11-04T10:25:13Z)
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)
Enforcing Interpretability and its Statistical Impacts: Trade-offs between Accuracy and Interpretability [30.501012698482423]
機械学習における解釈可能性の統計的コストに関する公式な研究は行われていない。我々は、解釈可能な仮説の集合に対して経験的リスク最小化を行う行為として、解釈可能性を促進する行為をモデル化する。我々は,解釈可能な分類器に対する制限が,過度な統計リスクの犠牲になる場合,正確性と解釈可能性の間のトレードオフを観察できるかどうかを事例分析により説明する。
論文参考訳（メタデータ） (2020-10-26T17:52:34Z)

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。