論文の概要: Causal Sensitivity Identification using Generative Learning

• arxiv url: http://arxiv.org/abs/2509.01352v1
• Date: Mon, 01 Sep 2025 10:42:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.651357
• Title: Causal Sensitivity Identification using Generative Learning
• Title（参考訳）: 生成学習を用いた因果感度同定
• Authors: Soma Bandyopadhyay, Sudeshna Sarkar,
• Abstract要約: 我々は介入的・反事実的視点を用いて因果的影響分析を行う。 本手法は,条件付きオートエンコーダ(CVAE)を用いて因果的影響を同定し,生成予測器として機能する。
• 参考スコア（独自算出の注目度）: 25.118222387224677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we propose a novel generative method to identify the causal impact and apply it to prediction tasks. We conduct causal impact analysis using interventional and counterfactual perspectives. First, applying interventions, we identify features that have a causal influence on the predicted outcome, which we refer to as causally sensitive features, and second, applying counterfactuals, we evaluate how changes in the cause affect the effect. Our method exploits the Conditional Variational Autoencoder (CVAE) to identify the causal impact and serve as a generative predictor. We are able to reduce confounding bias by identifying causally sensitive features. We demonstrate the effectiveness of our method by recommending the most likely locations a user will visit next in their spatiotemporal trajectory influenced by the causal relationships among various features. Experiments on the large-scale GeoLife [Zheng et al., 2010] dataset and the benchmark Asia Bayesian network validate the ability of our method to identify causal impact and improve predictive performance.
• Abstract（参考訳）: 本研究では,因果的影響を同定し,予測タスクに適用するための新しい生成手法を提案する。 我々は介入的・反事実的視点を用いて因果的影響分析を行う。 まず、介入を応用し、予測結果に因果的影響を及ぼす特徴を特定し、その特徴を因果的感受性の特徴とみなし、その要因の変化が影響に与える影響を評価する。 本手法は,条件変分オートエンコーダ(CVAE)を用いて因果的影響を同定し,生成予測器として機能する。 我々は因果関係に敏感な特徴を特定することで、矛盾するバイアスを減らすことができる。 提案手法の有効性は,各特徴の因果関係に左右される時空間軌跡において,ユーザが次に訪れる可能性が最も高い場所を推薦することで実証する。 大規模GeoLife [Zheng et al , 2010]データセットとベンチマークによるアジアベイズネットワークの実験により, 因果的影響を同定し, 予測性能を向上させるための手法の有効性が検証された。

関連論文リスト

• Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
  予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。 提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
  論文  参考訳（メタデータ） (2025-06-06T12:43:57Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Estimating Peer Direct and Indirect Effects in Observational Network Data [16.006409149421515]
  本稿では、ピア直接効果とピア間接効果の両方を考慮し、個人自身の治療の効果を考慮に入れた一般的な設定を提案する。 注意機構を用いて、異なる隣人の影響を識別し、グラフニューラルネットワークによる高次隣人効果を探索する。 理論的には,ネットワークシステムにおける介入戦略を改善する可能性があり,ソーシャルネットワークや疫学などの分野にも応用できる。
  論文  参考訳（メタデータ） (2024-08-21T10:02:05Z)
• Sequential Attention Source Identification Based on Feature Representation [88.05527934953311]
  本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。 なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
  論文  参考訳（メタデータ） (2023-06-28T03:00:28Z)
• Evaluation of Induced Expert Knowledge in Causal Structure Learning by NOTEARS [1.5469452301122175]
  非パラメトリックNOTEARSモデルの定式化に使用される追加制約の形で、専門家の知識が因果関係に与える影響について検討する。 その結果, (i) NOTEARSモデルの誤りを正す知識は, 統計的に有意な改善をもたらすこと, (ii) アクティブエッジに対する制約は, 非アクティブエッジよりも因果発見に肯定的な影響を与えること, (iii) 意外なことに, (iii) 誘導された知識は, 平均的な不正確なアクティブエッジおよび/または非アクティブエッジに対して予想以上に正確でないことが判明した。
  論文  参考訳（メタデータ） (2023-01-04T20:39:39Z)
• CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
  クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。 このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。 ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T18:31:50Z)
• The Invariant Ground Truth of Affect [2.570570340104555]
  感情の基底的真理は、感情の主観的な性質とそのラベルに固有のバイアスを意図せずに含んでいる影響ラベルに起因している。 本稿では、因果関係論の側面を感情計算に伝達することにより、影響の信頼性の高い基礎的真理を得る方法について再検討する。 我々は、情緒的コーパスにおけるアウトリーチの検出と、参加者やタスク間で堅牢な影響モデルの構築に、因果関係にインスパイアされた手法を採用している。
  論文  参考訳（メタデータ） (2022-10-14T08:26:01Z)
• Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
  因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。 変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:46:12Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。