論文の概要: Enabling Runtime Verification of Causal Discovery Algorithms with Automated Conditional Independence Reasoning (Extended Version)

• arxiv url: http://arxiv.org/abs/2309.05264v1
• Date: Mon, 11 Sep 2023 06:39:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 13:38:40.987967
• Title: Enabling Runtime Verification of Causal Discovery Algorithms with Automated Conditional Independence Reasoning (Extended Version)
• Title（参考訳）: 条件付き独立推論による因果探索アルゴリズムのランタイム検証(拡張版)
• Authors: Pingchuan Ma, Zhenlan Ji, Peisen Yao, Shuai Wang, Kui Ren
• Abstract要約: 因果発見は、条件付き独立テスト(CI)を広範囲に含む。 過剰なCIテストが実行されると、プライバシの懸念が生じる。 本稿では,両者に対処するための統一的,原則的アプローチについて述べる。
• 参考スコア（独自算出の注目度）: 20.71670959421483
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Causal discovery is a powerful technique for identifying causal relationships among variables in data. It has been widely used in various applications in software engineering. Causal discovery extensively involves conditional independence (CI) tests. Hence, its output quality highly depends on the performance of CI tests, which can often be unreliable in practice. Moreover, privacy concerns arise when excessive CI tests are performed. Despite the distinct nature between unreliable and excessive CI tests, this paper identifies a unified and principled approach to addressing both of them. Generally, CI statements, the outputs of CI tests, adhere to Pearl's axioms, which are a set of well-established integrity constraints on conditional independence. Hence, we can either detect erroneous CI statements if they violate Pearl's axioms or prune excessive CI statements if they are logically entailed by Pearl's axioms. Holistically, both problems boil down to reasoning about the consistency of CI statements under Pearl's axioms (referred to as CIR problem). We propose a runtime verification tool called CICheck, designed to harden causal discovery algorithms from reliability and privacy perspectives. CICheck employs a sound and decidable encoding scheme that translates CIR into SMT problems. To solve the CIR problem efficiently, CICheck introduces a four-stage decision procedure with three lightweight optimizations that actively prove or refute consistency, and only resort to costly SMT-based reasoning when necessary. Based on the decision procedure to CIR, CICheck includes two variants: ED-CICheck and ED-CICheck, which detect erroneous CI tests (to enhance reliability) and prune excessive CI tests (to enhance privacy), respectively. [abridged due to length limit]
• Abstract（参考訳）: 因果発見は、データ中の変数間の因果関係を特定するための強力な技術である。 ソフトウェア工学における様々な応用で広く使われている。 因果発見は、条件独立(CI)テストを含む。 したがって、その出力品質はCIテストのパフォーマンスに大きく依存する。 さらに、過剰なCIテストの実行時にプライバシー上の懸念が発生する。 信頼性の低いCIテストと過剰なCIテストの間には明確な性質があるにもかかわらず、この論文は両者に対処するための統一的で原則化されたアプローチを特定します。 一般的に、CIテストのアウトプットであるCIステートメントは、条件付き独立性の確立された整合性制約のセットであるPearlの公理に従う。 したがって、パールの公理に違反した場合や、パールの公理に論理的に関係している場合は過剰なCI文を検出することができる。 理論的には、どちらの問題も、パールの公理の下でCIステートメントの整合性(CIR問題と呼ばれる)を推論するものである。 信頼性とプライバシの観点から因果発見アルゴリズムの強化を目的とした,CICheckと呼ばれる実行時検証ツールを提案する。 CICheckは、CIRをSMT問題に変換する健全で決定可能な符号化方式を採用している。 CIR問題を効率的に解くために、CICheckは3つの軽量な最適化による4段階決定手順を導入し、一貫性を積極的に証明または否定し、必要であれば高価なSMTベースの推論に頼る。 cirの決定手順に基づいて、cicheckには、(信頼性を高めるために)誤ったciテストを検出するed-cicheckと、(プライバシを高めるために)過度なciテストを検出するed-cicheckの2つの変種が含まれている。 【長さ制限による短縮】

関連論文リスト

• FIRE: Fact-checking with Iterative Retrieval and Verification [63.67320352038525]
  FIREはエビデンス検索とクレーム検証を反復的に統合する新しいフレームワークである。 大きな言語モデル(LLM)のコストを平均7.6倍、検索コストを16.5倍削減しながら、パフォーマンスが若干向上している。 これらの結果から,FIREは大規模ファクトチェック業務における適用を約束していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-10-17T06:44:18Z)
• Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies [49.99600569996907]
  観測データに対して仮説化された因果モデルをテストすることは、多くの因果推論タスクにとって重要な前提条件である。 モデルは指数関数的に多くの条件付き独立関係(CI)を仮定できるが、これら全てをテストすることは実用的でなく不必要である。 隠れ変数を持つ因果グラフのc-LMPを導入し、これらのCIを多時間間隔でリストする遅延アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-09-22T21:05:56Z)
• Cross-modal Active Complementary Learning with Self-refining Correspondence [54.61307946222386]
  既存手法のロバスト性を改善するために,クロスモーダルなロバスト補完学習フレームワーク(CRCL)を提案する。 ACLは、誤った監視を行うリスクを減らすために、アクティブで補完的な学習損失を利用する。 SCCは、モーメント補正を備えた複数の自己精製プロセスを使用して、対応を補正するために受容場を拡大する。
  論文  参考訳（メタデータ） (2023-10-26T15:15:11Z)
• On sample complexity of conditional independence testing with Von Mises estimator with application to causal discovery [21.12645737093305]
  条件付き独立テストは制約に基づく因果探索アルゴリズムにおいて不可欠なステップである。 我々は、最適パラメトリックレートを達成するVM-CIと呼ばれる推定器に基づいて、条件独立性の試験を設計する。 VM-CIは、時間またはサンプルの複雑さの観点から、他の一般的なCIテストよりも優れていることを実証的に示します。
  論文  参考訳（メタデータ） (2023-10-20T14:52:25Z)
• Differentially Private Conditional Independence Testing [35.376975903797444]
  条件独立テスト(CI)は統計データ解析に広く用いられている。 本研究では,差分プライバシー制約下での条件付き独立試験について検討する。
  論文  参考訳（メタデータ） (2023-06-11T16:46:00Z)
• Self-Evaluation Guided Beam Search for Reasoning [61.523627290397556]
  我々は,Large Language Model (LLM) の推論プロセスのガイドと校正を行うための段階的自己評価機構を導入する。 本稿では,ビームサーチによる自己評価ガイダンスを統合した復号アルゴリズムを提案する。 我々のアプローチは、GSM8K、AQuA、StrategyQAにおいて、対応するCodexバックボンドベースラインをわずかに精度6.34%、9.56%、および5.46%で上回る。
  論文  参考訳（メタデータ） (2023-05-01T02:37:59Z)
• Sequential Kernelized Independence Testing [101.22966794822084]
  我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。 シミュレーションデータと実データの両方にアプローチのパワーを実証する。
  論文  参考訳（メタデータ） (2022-12-14T18:08:42Z)
• Improving the Efficiency of the PC Algorithm by Using Model-Based Conditional Independence Tests [11.33674514817655]
  PC利用条件独立(CI)テストのような制約に基づく構造学習アルゴリズムは因果構造を推論する。 従来、制約ベースのアルゴリズムは、より小さな条件セットを優先してCIテストを実行する。 本稿では,CIテストの実施回数を削減できる制約ベースのアルゴリズムの新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-11-12T00:54:53Z)
• Causal discovery for time series with latent confounders [0.0]
  本研究は,多次元の高自己相関時系列に適合するジェネレータを見つけることを目的としたLPCMCIアルゴリズムを評価する。 LPCMCIは、何も知らないが最適な検出には程遠い、ランダムなアルゴリズムよりもはるかに優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-09-07T18:57:19Z)
• From Checking to Inference: Actual Causality Computations as Optimization Problems [79.87179017975235]
  本稿では、最適化問題として二元非巡回モデルよりも、因果推論の異なる概念を定式化するための新しいアプローチを提案する。 8000ドル以上の変数を持つモデルを用いて,MaxSAT が ILP を上回り,数秒単位でチェック処理を行う場合が多い。
  論文  参考訳（メタデータ） (2020-06-05T10:56:52Z)

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。