論文の概要: CausalPre: Scalable and Effective Data Pre-processing for Causal Fairness
- arxiv url: http://arxiv.org/abs/2509.15199v1
- Date: Thu, 18 Sep 2025 17:54:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-19 17:26:53.376221
- Title: CausalPre: Scalable and Effective Data Pre-processing for Causal Fairness
- Title（参考訳）: CausalPre: 因果フェアネスのためのスケーラブルで効果的なデータ前処理
- Abstract要約: CausalPreはスケーラブルで効果的な因果性誘導型データ前処理フレームワークである。
CausalPreは有効かつスケーラブルであり、因果フェアネスを達成するためには関係のカバレッジをトレードオフする必要があるという従来の信念に挑戦する。
- 参考スコア（独自算出の注目度）: 9.017721212703352
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal fairness in databases is crucial to preventing biased and inaccurate outcomes in downstream tasks. While most prior work assumes a known causal model, recent efforts relax this assumption by enforcing additional constraints. However, these approaches often fail to capture broader attribute relationships that are critical to maintaining utility. This raises a fundamental question: Can we harness the benefits of causal reasoning to design efficient and effective fairness solutions without relying on strong assumptions about the underlying causal model? In this paper, we seek to answer this question by introducing CausalPre, a scalable and effective causality-guided data pre-processing framework that guarantees justifiable fairness, a strong causal notion of fairness. CausalPre extracts causally fair relationships by reformulating the originally complex and computationally infeasible extraction task into a tailored distribution estimation problem. To ensure scalability, CausalPre adopts a carefully crafted variant of low-dimensional marginal factorization to approximate the joint distribution, complemented by a heuristic algorithm that efficiently tackles the associated computational challenge. Extensive experiments on benchmark datasets demonstrate that CausalPre is both effective and scalable, challenging the conventional belief that achieving causal fairness requires trading off relationship coverage for relaxed model assumptions.
- Abstract（参考訳）: データベースにおける因果フェアネスは、下流タスクにおけるバイアスや不正確な結果を防ぐために不可欠である。
以前の作業の多くは、既知の因果モデルを想定しているが、最近の取り組みは、追加の制約を課すことで、この仮定を緩和している。
しかしながら、これらのアプローチは、実用性を維持する上で重要な、より広い属性関係を捉えないことが多い。
因果的推論の利点を利用して、根底にある因果的モデルに関する強い仮定に頼ることなく、効率的で効果的な公平なソリューションを設計できますか?
本稿では,スケーラブルで効果的な因果性誘導型データ前処理フレームワークであるCausalPreを導入することで,正当性を保証し,因果性を保証する。
CausalPreは、もともと複雑で計算不能な抽出タスクを調整された分布推定問題に書き換えることで因果的公正な関係を抽出する。
スケーラビリティを確保するために、CausalPreは、低次元の辺縁分解の慎重に構築された変種を採用し、結合分布を近似し、関連する計算課題に効率的に対処するヒューリスティックアルゴリズムで補完する。
ベンチマークデータセットに関する大規模な実験は、CausalPreが効率的かつスケーラブルであることを示し、因果フェアネスを達成するためには、緩和されたモデル仮定に対する関係カバレッジをトレードオフする必要があるという従来の信念に異議を唱えている。
関連論文リスト
- Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach [9.175642602891939]
Causal Assumption-based Argumentation (ABA)は、入力制約と出力グラフの対応性を確保するためにシンボリック推論を使用するフレームワークである。
本稿では,大言語モデル(LLM)をCausal ABAの不完全専門家として活用し,変数名や記述から意味的構造的事前を抽出する方法について検討する。
標準的なベンチマークとセマンティックグラウンドの合成グラフの実験は、最先端の性能を示している。
論文 参考訳（メタデータ） (2026-02-18T14:15:21Z) - Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。
大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
論文 参考訳（メタデータ） (2026-02-03T10:26:16Z) - FairPFN: A Tabular Foundation Model for Causal Fairness [39.83807136585407]
因果公正(Causal fairness)は、アルゴリズムの差別を緩和する透明性のある、ループ内の人間的フレームワークを提供する。
本研究では,合成因果フェアネスデータに基づいて事前学習したモデルであるFairPFNを提案し,その予測における保護属性の因果効果の同定と緩和を行う。
論文 参考訳（メタデータ） (2025-06-08T09:15:45Z) - 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) - Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。
因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。
因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
論文 参考訳（メタデータ） (2024-05-24T11:19:52Z) - Interventional Fairness on Partially Known Causal Graphs: A Constrained
Optimization Approach [44.48385991344273]
本稿では,真の因果グラフが部分的に知られている場合の介入の概念に基づく因果フェアネスを実現するための枠組みを提案する。
提案手法は、観測データとドメイン知識を組み合わせて学習できる因果DAGのクラスを用いて、公正な予測をモデル化することを含む。
シミュレーションと実世界の両方のデータセットの結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-01-19T11:20:31Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳（メタデータ） (2022-06-04T22:38:57Z) - Causal Regularization Using Domain Priors [23.31291916031858]
そこで本研究では,因果ドメインをネットワークに組み込む因果正規化手法を提案する。
このアプローチは様々な因果前の仕様に一般化可能であることを示す。
ほとんどのデータセットでは、精度を犠牲にすることなくドメイン優先の一貫性のあるモデルを得ることができる。
論文 参考訳（メタデータ） (2021-11-24T13:38:24Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z)
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。