論文の概要: Causal Spherical Hypergraph Networks for Modelling Social Uncertainty

• arxiv url: http://arxiv.org/abs/2506.17840v1
• Date: Sat, 21 Jun 2025 22:30:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.610392
• Title: Causal Spherical Hypergraph Networks for Modelling Social Uncertainty
• Title（参考訳）: 社会不確実性をモデル化する因果球面ハイパーグラフネットワーク
• Authors: Anoushka Harit, Zhongtian Sun,
• Abstract要約: 本稿では,社会基盤予測の枠組みであるCausal Spherical Hypergraph Networks(Causal-SphHN)を提案する。 提案手法は, 個人を超球面埋め込みとして, グループコンテキストをハイパーエッジとして表現し, 意味的および関係的幾何を捉える。 SNARE(オフラインネットワーク)、PHEME(オンライン談話)、AMIGOS(マルチモーダル・エフェクト)の実験は、Causal-SphHNが強いベースライン上での予測精度、堅牢性、キャリブレーションを改善することを示した。
• 参考スコア（独自算出の注目度）: 3.0181801777983086
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Human social behaviour is governed by complex interactions shaped by uncertainty, causality, and group dynamics. We propose Causal Spherical Hypergraph Networks (Causal-SphHN), a principled framework for socially grounded prediction that jointly models higher-order structure, directional influence, and epistemic uncertainty. Our method represents individuals as hyperspherical embeddings and group contexts as hyperedges, capturing semantic and relational geometry. Uncertainty is quantified via Shannon entropy over von Mises-Fisher distributions, while temporal causal dependencies are identified using Granger-informed subgraphs. Information is propagated through an angular message-passing mechanism that respects belief dispersion and directional semantics. Experiments on SNARE (offline networks), PHEME (online discourse), and AMIGOS (multimodal affect) show that Causal-SphHN improves predictive accuracy, robustness, and calibration over strong baselines. Moreover, it enables interpretable analysis of influence patterns and social ambiguity. This work contributes a unified causal-geometric approach for learning under uncertainty in dynamic social environments.
• Abstract（参考訳）: 人間の社会的行動は、不確実性、因果性、グループダイナミクスによって形成された複雑な相互作用によって支配される。 我々は,高次構造,指向性影響,およびてんかん不確実性を共同でモデル化する社会的基盤予測の原理的枠組みであるCausal Spherical Hypergraph Networks(Causal-SphHN)を提案する。 提案手法は, 個人を超球面埋め込みとして, グループコンテキストをハイパーエッジとして表現し, 意味的および関係的幾何を捉える。 不確実性は、フォン・ミセス=フィッシャー分布上のシャノンエントロピーを介して定量化され、時間的因果依存性はグランガーインフォームド・サブグラフを用いて同定される。 情報は、信念の分散と方向性のセマンティクスを尊重する角メッセージパッシング機構を通じて伝播される。 SNARE(オフラインネットワーク)、PHEME(オンライン談話)、AMIGOS(マルチモーダル・エフェクト)の実験は、Causal-SphHNが強いベースライン上での予測精度、堅牢性、キャリブレーションを改善することを示した。 さらに、影響パターンと社会的あいまいさの解釈可能な分析を可能にする。 この研究は、動的社会環境における不確実性の下での学習に統一された因果幾何学的アプローチに寄与する。

関連論文リスト

• The Relativity of Causal Knowledge [4.051523221722475]
  人工知能の最近の進歩は、純粋に予測可能なシステムの限界を明らかにし、因果的および協調的推論へのシフトを要求する。 本稿では、構造因果モデル(SCM)が本質的に不完全であり、関係ネットワークに埋め込まれた主観的表現であることを示す因果知識の相対性について紹介する。
  論文  参考訳（メタデータ） (2025-03-13T16:24:48Z)
• An AI-powered Bayesian generative modeling approach for causal inference in observational studies [4.624176903641013]
  CausalBGMはAIを利用したベイズ生成モデリングアプローチである。 低次元潜在特徴集合の個別分布を学習することにより、個別処理効果(ITE)を推定する。
  論文  参考訳（メタデータ） (2025-01-01T06:52:45Z)
• Unified Causality Analysis Based on the Degrees of Freedom [1.2289361708127877]
  本稿では,システム間の因果関係を同定する統一手法を提案する。 システムの自由度を分析することで、私たちのアプローチは因果的影響と隠れた共同設立者の両方についてより包括的な理解を提供する。 この統合されたフレームワークは、理論モデルとシミュレーションを通じて検証され、その堅牢性とより広範な応用の可能性を示す。
  論文  参考訳（メタデータ） (2024-10-25T10:57:35Z)
• 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)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Adversarial Socialbots Modeling Based on Structural Information Principles [24.339397435628214]
  ソーシャルボットは、誤情報を伝達するために人間の行動を模倣し、ソーシャルボットと検出器の競争が続いている。 本稿では,より正確かつ効果的な対人行動モデリングを実現するために,数学的構造情報原理に基づく対人社会ボットモデリングフレームワーク,すなわちSIASMを提案する。
  論文  参考訳（メタデータ） (2023-12-13T12:32:12Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Adversarial Robustness through the Lens of Causality [105.51753064807014]
  ディープニューラルネットワークの敵対的脆弱性は、機械学習において大きな注目を集めている。 我々は、因果関係を敵対的脆弱性の軽減に組み込むことを提案する。 我々の手法は、敵の脆弱性を緩和するために因果性を利用する最初の試みと見なすことができる。
  論文  参考訳（メタデータ） (2021-06-11T06:55:02Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)

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。