論文の概要: Disentangling Doubt in Deep Causal AI

• arxiv url: http://arxiv.org/abs/2507.03622v1
• Date: Fri, 04 Jul 2025 14:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.806663
• Title: Disentangling Doubt in Deep Causal AI
• Title（参考訳）: Deep Causal AIにおけるDouubtのディエンタングリング
• Authors: Cooper Doyle,
• Abstract要約: 本稿では,予測分散を表現の不確実性に分割する深層ツインネットワークモデルのためのモンテカルロ・ドロップアウトフレームワークを提案する。 3つの共シフト状態の中で、我々の間隔はよく校正され、sigma_rep2 + sigma_pred2 sigma_tot2を満たす。 このモジュールレベルの分解は、深い因果効果モデルにおける不確実性源を検出し、解釈するための実用的な診断を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate individual treatment-effect estimation in high-stakes applications demands both reliable point predictions and interpretable uncertainty quantification. We propose a factorized Monte Carlo Dropout framework for deep twin-network models that splits total predictive variance into representation uncertainty (sigma_rep) in the shared encoder and prediction uncertainty (sigma_pred) in the outcome heads. Across three synthetic covariate-shift regimes, our intervals are well-calibrated (ECE < 0.03) and satisfy sigma_rep^2 + sigma_pred^2 ~ sigma_tot^2. Additionally, we observe a crossover: head uncertainty leads on in-distribution data, but representation uncertainty dominates under shift. Finally, on a real-world twins cohort with induced multivariate shifts, only sigma_rep spikes on out-of-distribution samples (delta sigma ~ 0.0002) and becomes the primary error predictor (rho_rep <= 0.89), while sigma_pred remains flat. This module-level decomposition offers a practical diagnostic for detecting and interpreting uncertainty sources in deep causal-effect models.
• Abstract（参考訳）: 高精度な個別処理効果推定は信頼性のある点予測と解釈可能な不確実性定量化の両方を必要とする。 本稿では,共有エンコーダにおける表現の不確実性 (sigma_rep) と結果ヘッドにおける予測不確実性 (sigma_pred) に全予測分散を分割する,深層ツインネットワークモデルのための因子化モンテカルロ・ドロップアウトフレームワークを提案する。 3つの共変量シフト系全体で、我々の間隔はよく校正され(ECE < 0.03)、sigma_rep^2 + sigma_pred^2 ~ sigma_tot^2を満たす。 さらに、頭の不確実性は分配データに導かれるが、表現の不確実性はシフトの下で支配される。 最後に、誘導多変量シフトを持つ実世界の双生児の場合、分配外サンプル(デルタシグマ~0.0002)にシグマ_repがスパイクし(rho_rep <= 0.89)、シグマ_predは平坦である。 このモジュールレベルの分解は、深い因果効果モデルにおける不確実性源を検出し、解釈するための実用的な診断を提供する。

関連論文リスト

• On the Calibration of Epistemic Uncertainty: Principles, Paradoxes and Conflictual Loss [3.8248583585487155]
  証拠不確実性は、Deep Ensembles、Bayesian Deep Networks、Evidential Deep Networksによって生成される。 測定可能ではあるが、この形の不確実性は客観的に校正することは困難である。 以上の要件に則った競合損失という,深層アンサンブルの正規化関数を提案する。
  論文  参考訳（メタデータ） (2024-07-16T23:21:28Z)
• Fully Heteroscedastic Count Regression with Deep Double Poisson Networks [4.58556584533865]
  Deep Double Poisson Network (DDPN) はニューラル・離散カウント回帰モデルである。 DDPNはヘテロセダスティックガウスモデルと同様の頑健な回帰特性を示す。 多様なデータセットの実験では、DDPNが現在のベースラインを精度、キャリブレーション、アウト・オブ・ディストリビューション検出で上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-06-13T16:02:03Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Understanding Double Descent Requires a Fine-Grained Bias-Variance Decomposition [34.235007566913396]
  ラベルに関連付けられた用語への分散の解釈可能で対称的な分解について述べる。 バイアスはネットワーク幅とともに単調に減少するが、分散項は非単調な振る舞いを示す。 我々はまた、著しく豊かな現象論も分析する。
  論文  参考訳（メタデータ） (2020-11-04T21:04:02Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。