論文の概要: Attribution Projection Calculus: A Novel Framework for Causal Inference in Bayesian Networks

• arxiv url: http://arxiv.org/abs/2505.12094v1
• Date: Sat, 17 May 2025 17:29:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.032797
• Title: Attribution Projection Calculus: A Novel Framework for Causal Inference in Bayesian Networks
• Title（参考訳）: Attribution Projection Calculus:Bayesian Networksにおける因果推論のための新しいフレームワーク
• Authors: M Ruhul Amin,
• Abstract要約: Projection Attribution Calculus (AP-Calculus) は、構造化ベイズネットワークにおける因果関係を決定するための新しいフレームワークである。 AP-Calculusは、特徴ラベル属性の分析、素早い相関の管理、情報ゲインの定量化、公正性の確保、予測モデルの不確実性の評価のための包括的な数学的基盤を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces Attribution Projection Calculus (AP-Calculus), a novel mathematical framework for determining causal relationships in structured Bayesian networks. We investigate a specific network architecture with source nodes connected to destination nodes through intermediate nodes, where each input maps to a single label with maximum marginal probability. We prove that for each label, exactly one intermediate node acts as a deconfounder while others serve as confounders, enabling optimal attribution of features to their corresponding labels. The framework formalizes the dual nature of intermediate nodes as both confounders and deconfounders depending on the context, and establishes separation functions that maximize distinctions between intermediate representations. We demonstrate that the proposed network architecture is optimal for causal inference compared to alternative structures, including those based on Pearl's causal framework. AP-Calculus provides a comprehensive mathematical foundation for analyzing feature-label attributions, managing spurious correlations, quantifying information gain, ensuring fairness, and evaluating uncertainty in prediction models, including large language models. Theoretical verification shows that AP-Calculus not only extends but can also subsume traditional do-calculus for many practical applications, offering a more direct approach to causal inference in supervised learning contexts.
• Abstract（参考訳）: 本稿では、構造化ベイズネットワークにおける因果関係を決定するための新しい数学的枠組みであるAttribution Projection Calculus (AP-Calculus)を紹介する。 本稿では,ソースノードを中間ノードで接続した特定のネットワークアーキテクチャについて検討し,各入力を最大限界確率で単一ラベルにマップする。 各ラベルに対して、ちょうど1つの中間ノードがデコノニストとして機能し、他のノードが共同創設者として機能し、対応するラベルへの機能の最適な属性を可能にすることを証明します。 このフレームワークは、コンテキストに応じて、中間ノードの双対の性質を共同創設者と共同創設者の両方として定式化し、中間表現の区別を最大化する分離関数を確立する。 提案するネットワークアーキテクチャは,Pearlの因果関係に基づく構造を含む他の構造と比較して,因果推論に最適であることを示す。 AP-Calculusは、特徴ラベル属性の分析、素早い相関の管理、情報ゲインの定量化、公正性の確保、大きな言語モデルを含む予測モデルの不確実性の評価のための包括的な数学的基盤を提供する。 理論的検証は、AP-Calculusが拡張するだけでなく、多くの実践的な応用のために従来のdo-calculusをサブスクライブすることも示しており、教師付き学習文脈における因果推論へのより直接的なアプローチを提供する。

関連論文リスト

• Generative Flow Networks: Theory and Applications to Structure Learning [7.6872614776094]
  この論文は、ベイズの観点からの構造学習の問題を研究する。 ジェネレーティブフローネットワーク(GFlowNets)を導入 GFlowNetsは、生成をシーケンシャルな意思決定問題として扱う。
  論文  参考訳（メタデータ） (2025-01-09T17:47:17Z)
• Geometry of the Space of Partitioned Networks: A Unified Theoretical and Computational Framework [3.69102525133732]
  ネットワークの空間」は、従来の統計ツールでは適切に記述できない複雑な構造を持つ。 本稿では,グラフやハイパーグラフ,あるいはノードが分類クラスに分割されたグラフなどの一般化されたネットワーク構造をモデル化するための測度理論形式について紹介する。 我々は、我々の計量が非負曲率のアレクサンドロフ空間であることを示し、この構造を利用して、幾何データ解析タスクで一般的に生じる特定の関数の勾配を定義する。
  論文  参考訳（メタデータ） (2024-09-10T07:58:37Z)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• Efficient Computation of Counterfactual Bounds [44.4263314637532]
  我々は,構造因果モデルのサブクラスにおけるクレダルネットのアルゴリズムを用いて,正確な反ファクト境界を計算する。 近似の精度を信頼性のある間隔で評価する。
  論文  参考訳（メタデータ） (2023-07-17T07:59:47Z)
• Neural Structured Prediction for Inductive Node Classification [29.908759584092167]
  本稿では,ラベル付き学習グラフのモデルを学習し,未ラベルの試験グラフ上でノードラベルを推論するために一般化することを目的とした,帰納的環境におけるノード分類について検討する。 本稿では,両者の利点を組み合わせたSPN(Structured Proxy Network)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-15T15:50:27Z)
• Unsupervised Knowledge Graph Alignment by Probabilistic Reasoning and Semantic Embedding [22.123001954919893]
  本稿では,確率論的推論とセマンティック埋め込みに基づくPRASEという反復的フレームワークを提案する。 PRASEフレームワークは、異なる埋め込みベースのモデルと互換性があり、複数のデータセットの実験では、その最先端性能が実証されている。
  論文  参考訳（メタデータ） (2021-05-12T11:27:46Z)
• CSNE: Conditional Signed Network Embedding [77.54225346953069]
  署名されたネットワークは、友人/フォアや信頼/不信のようなエンティティ間の正と負の関係を符号化する。 サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。 条件付き符号付きネットワーク埋め込み(CSNE)を導入する。 我々の確率論的アプローチは、きめ細かな詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。
  論文  参考訳（メタデータ） (2020-05-19T19:14:52Z)
• Bidirectional Graph Reasoning Network for Panoptic Segmentation [126.06251745669107]
  本稿では,BGRNet(Bidirectional Graph Reasoning Network)を導入し,前景物と背景物間のモジュラー内およびモジュラー間関係について検討する。 BGRNetはまず、インスタンスとセマンティックセグメンテーションの両方でイメージ固有のグラフを構築し、提案レベルとクラスレベルで柔軟な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-14T02:32:10Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。