論文の概要: Distributionally Robust Causal Abstractions

• arxiv url: http://arxiv.org/abs/2510.04842v1
• Date: Mon, 06 Oct 2025 14:26:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.898525
• Title: Distributionally Robust Causal Abstractions
• Title（参考訳）: 分布的ロバストな因果抽象
• Authors: Yorgos Felekis, Theodoros Damoulas, Paris Giampouras,
• Abstract要約: 因果抽象化(CA)理論は因果モデルに関連する原則的な枠組みを提供する。 CAを学習するためのいくつかのアプローチが提案されているが、いずれも固定分布と明確に定義された分布を前提としている。 本稿では,分布的に堅牢なCAとその学習アルゴリズムについて紹介する。
• 参考スコア（独自算出の注目度）: 10.328343708746463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal Abstraction (CA) theory provides a principled framework for relating causal models that describe the same system at different levels of granularity while ensuring interventional consistency between them. Recently, several approaches for learning CAs have been proposed, but all assume fixed and well-specified exogenous distributions, making them vulnerable to environmental shifts and misspecification. In this work, we address these limitations by introducing the first class of distributionally robust CAs and their associated learning algorithms. The latter cast robust causal abstraction learning as a constrained min-max optimization problem with Wasserstein ambiguity sets. We provide theoretical results, for both empirical and Gaussian environments, leading to principled selection of the level of robustness via the radius of these sets. Furthermore, we present empirical evidence across different problems and CA learning methods, demonstrating our framework's robustness not only to environmental shifts but also to structural model and intervention mapping misspecification.
• Abstract（参考訳）: 因果抽象化(CA)理論は、相互干渉の一貫性を確保しつつ、異なるレベルの粒度で同じシステムを記述する因果モデルを関連付けるための原則的な枠組みを提供する。 近年、CAを学習するためのいくつかのアプローチが提案されているが、いずれも固定的で明確に特定された外因性分布を前提としており、環境変化や不特定に弱い。 本研究では,これらの制約に,分布的に堅牢なCAとその関連学習アルゴリズムを導入することで対処する。 後者は、Wasserstein ambiguity セットによる制約付きmin-max最適化問題として、堅牢な因果抽象学習を導いた。 我々は、経験的環境とガウス的環境の両方に対して理論的結果を提供し、これらの集合の半径によるロバストネスのレベルを原則的に選択する。 さらに, 環境変化だけでなく, 構造モデルや介入マッピングの誤用にも, フレームワークの堅牢性を実証し, 様々な問題やCA学習手法に関する実証的証拠を提示する。

関連論文リスト

• Discrete Markov Bridge [93.64996843697278]
  離散マルコフブリッジと呼ばれる離散表現学習に特化して設計された新しいフレームワークを提案する。 私たちのアプローチは、Matrix LearningとScore Learningの2つの重要なコンポーネントの上に構築されています。
  論文  参考訳（メタデータ） (2025-05-26T09:32:12Z)
• Causal Abstraction Learning based on the Semantic Embedding Principle [8.867171632530908]
  構造因果モデル(SCM)により,複数の解像度で複雑なシステムを調べることができる。 本稿では,低次測度と高次測度の間の準同型を見出すことにより,CAの学習を可能にするSCMに対するカテゴリー論的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-01T11:54:44Z)
• Causal Optimal Transport of Abstractions [8.642152250082368]
  因果抽象化(CA)理論は、複数の構造因果モデル(SCM)を異なるレベルの粒度で関連付けるための公式な基準を確立する。 基礎となるSCMの完全な知識を前提とせずに、観測データや介入データから抽象地図を学習する最初の方法であるCOTAを提案する。 合成および実世界の問題に対してCOTAを広範囲に評価し,非因果的・独立的・集合的COTA定式化に対するCOTAの優位性を示す。
  論文  参考訳（メタデータ） (2023-12-13T12:54:34Z)
• Tight Guarantees for Interactive Decision Making with the Decision-Estimation Coefficient [51.37720227675476]
  我々は、決定推定係数の新たな変種を導入し、それを用いて、3つの面における事前の作業を改善する新しい下界を導出する。 我々は同じ量でスケールした後悔について上界を与え、フォスター等における上界と下界の間のギャップの1つを除いて全てを閉じる。 この結果は、後悔のフレームワークとPACフレームワークの両方に適用され、我々が期待するいくつかの新しい分析とアルゴリズム設計技術を利用して、より広範な利用が期待できる。
  論文  参考訳（メタデータ） (2023-01-19T18:24:08Z)
• Jointly Learning Consistent Causal Abstractions Over Multiple Interventional Distributions [8.767175335575386]
  抽象化は、同じシステムを表す2つの構造因果モデルを異なる解像度で関連付けるために使用できる。 リシェルが最近提案した抽象化の形式化に基づく,SCM間の因果的抽象化学習のための第1のフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-01-14T11:22:16Z)
• Revisiting GANs by Best-Response Constraint: Perspective, Methodology, and Application [49.66088514485446]
  ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。 モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
  論文  参考訳（メタデータ） (2022-05-20T12:42:41Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Robust Unsupervised Learning via L-Statistic Minimization [38.49191945141759]
  教師なし学習に焦点をあて、この問題に対する一般的なアプローチを提示する。 重要な仮定は、摂動分布は、許容モデルの特定のクラスに対するより大きな損失によって特徴付けられることである。 教師なし学習におけるいくつかのポピュラーモデルに対する提案基準に関して,一様収束境界を証明した。
  論文  参考訳（メタデータ） (2020-12-14T10:36:06Z)
• Learning Diverse Representations for Fast Adaptation to Distribution Shift [78.83747601814669]
  本稿では,複数のモデルを学習する手法を提案する。 分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
  論文  参考訳（メタデータ） (2020-06-12T12:23:50Z)
• Invariant Causal Prediction for Block MDPs [106.63346115341862]
  環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。 本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T21:03:01Z)

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。