論文の概要: Causal Abstractions, Categorically Unified

• arxiv url: http://arxiv.org/abs/2510.05033v1
• Date: Mon, 06 Oct 2025 17:09:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:53:00.007923
• Title: Causal Abstractions, Categorically Unified
• Title（参考訳）: 因果的抽象化、カテゴリー的統一
• Authors: Markus Englberger, Devendra Singh Dhami,
• Abstract要約: 異なる抽象レベルで同じシステムを表す因果関係モデルを関連付けるための分類的枠組みを提案する。 我々のアプローチは、これまで考慮されていた因果的抽象化を統一し、一般化する。 本稿では,回路解析やスパースオートエンコーダなどの機械的解釈可能性からの手法をフレームワークに適合させる方法について論じる。
• 参考スコア（独自算出の注目度）: 9.341830361844337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a categorical framework for relating causal models that represent the same system at different levels of abstraction. We define a causal abstraction as natural transformations between appropriate Markov functors, which concisely consolidate desirable properties a causal abstraction should exhibit. Our approach unifies and generalizes previously considered causal abstractions, and we obtain categorical proofs and generalizations of existing results on causal abstractions. Using string diagrammatical tools, we can explicitly describe the graphs that serve as consistent abstractions of a low-level graph under interventions. We discuss how methods from mechanistic interpretability, such as circuit analysis and sparse autoencoders, fit within our categorical framework. We also show how applying do-calculus on a high-level graphical abstraction of an acyclic-directed mixed graph (ADMG), when unobserved confounders are present, gives valid results on the low-level graph, thus generalizing an earlier statement by Anand et al. (2023). We argue that our framework is more suitable for modeling causal abstractions compared to existing categorical frameworks. Finally, we discuss how notions such as $\tau$-consistency and constructive $\tau$-abstractions can be recovered with our framework.
• Abstract（参考訳）: 異なる抽象レベルで同じシステムを表す因果関係モデルを関連付けるための分類的枠組みを提案する。 我々は因果抽象を適切なマルコフ関手間の自然な変換として定義し、因果抽象が示すべき望ましい性質を簡潔に統合する。 提案手法は従来検討されていた因果的抽象化を統一・一般化し,因果的抽象化に基づく既存の結果の分類的証明と一般化を得る。 文字列図式ツールを使用して、介入の下で低レベルグラフの一貫性のある抽象化として機能するグラフを明示的に記述することができる。 本稿では,回路解析やスパースオートエンコーダなどの機械的解釈可能性からの手法が,我々の分類枠組みにどのように適合するかを論じる。 また,非循環型混合グラフ(ADMG)のハイレベルなグラフィカルな抽象化にdo-calculusを適用することで,未観測の共著者が存在する場合,低レベルグラフ上で有効な結果が得られることを示し,Anand et al (2023) による以前の主張を一般化する。 我々のフレームワークは、既存の分類的フレームワークよりも因果的抽象化をモデル化するのに適している、と我々は主張する。 最後に、フレームワークで$\tau$-consistencyやconstructive $\tau$-abstractionsといった概念をどのように回収できるかについて議論する。

関連論文リスト

• Causal Abstraction Inference under Lossy Representations [53.18851962820361]
  我々は、既存の定義を一般化して損失表現に適合させる、投影抽象化と呼ばれる新しいタイプの抽象化を導入する。 低レベルモデルから投影された抽象化を構築する方法と、それと等価な観察的、介入的、および反ファクト的因果クエリを低レベルから高レベルに翻訳する方法を示す。
  論文  参考訳（メタデータ） (2025-09-25T21:20:42Z)
• Aligning Graphical and Functional Causal Abstractions [0.0]
  因果抽象化により、異なるレベルの粒度の因果モデルを関連付けることができる。 因果的抽象化のための2つの方法が文献で一般的である: (i) 構造レベルでモデルを関連付けるクラスタDAGや(ii) 変数と範囲の間のマップによるモデルを関連付ける$alpha$-abstractionsのような機能的抽象化。
  論文  参考訳（メタデータ） (2024-12-22T16:11:25Z)
• Transitivity Recovering Decompositions: Interpretable and Robust Fine-Grained Relationships [69.04014445666142]
  Transitivity Recovering Decompositions (TRD) は、抽象的な創発的関係の解釈可能な等価性を識別するグラフ空間探索アルゴリズムである。 TRDは明らかにノイズの多い見方に対して堅牢であり、実証的な証拠もこの発見を支持している。
  論文  参考訳（メタデータ） (2023-10-24T16:48:56Z)
• From axioms over graphs to vectors, and back again: evaluating the properties of graph-based ontology embeddings [78.217418197549]
  埋め込みを生成するアプローチの1つは、名前付きエンティティと論理公理構造のためのノードとエッジのセットを導入することである。 グラフに埋め込む方法(グラフ射影)は、それらが利用する公理の種類と異なる性質を持つ。
  論文  参考訳（メタデータ） (2023-03-29T08:21:49Z)
• A Formalisation of Abstract Argumentation in Higher-Order Logic [77.34726150561087]
  本稿では,古典的高階論理へのエンコーディングに基づく抽象的議論フレームワークの表現手法を提案する。 対話型および自動推論ツールを用いた抽象的議論フレームワークのコンピュータ支援評価のための一様フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-10-18T10:45:59Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)

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。