論文の概要: Exploratory Causal Inference in SAEnce

• arxiv url: http://arxiv.org/abs/2510.14073v1
• Date: Wed, 15 Oct 2025 20:30:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.607228
• Title: Exploratory Causal Inference in SAEnce
• Title（参考訳）: SAEnceにおける探索的因果推論
• Authors: Tommaso Mencattini, Riccardo Cadei, Francesco Locatello,
• Abstract要約: データから直接治療の未知の効果を発見することを提案する。 このために、未構造化データを事前訓練された基礎モデルを介して有意義な表現に変換し、スパースオートエンコーダを介して解釈する。 神経レベルで重要な因果効果を発見することは、複数のテストの問題と影響の絡み合いのために簡単ではない。
• 参考スコア（独自算出の注目度）: 25.91637307089553
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Randomized Controlled Trials are one of the pillars of science; nevertheless, they rely on hand-crafted hypotheses and expensive analysis. Such constraints prevent causal effect estimation at scale, potentially anchoring on popular yet incomplete hypotheses. We propose to discover the unknown effects of a treatment directly from data. For this, we turn unstructured data from a trial into meaningful representations via pretrained foundation models and interpret them via a sparse autoencoder. However, discovering significant causal effects at the neural level is not trivial due to multiple-testing issues and effects entanglement. To address these challenges, we introduce Neural Effect Search, a novel recursive procedure solving both issues by progressive stratification. After assessing the robustness of our algorithm on semi-synthetic experiments, we showcase, in the context of experimental ecology, the first successful unsupervised causal effect identification on a real-world scientific trial.
• Abstract（参考訳）: ランダム化制御試験(Randomized Controlled Trials)は科学の柱の一つだが、それでも手作りの仮説と高価な分析に頼っている。 このような制約は、スケールにおける因果効果の推定を妨げ、一般的なが不完全な仮説に固定する可能性がある。 データから直接治療の未知の効果を発見することを提案する。 このために、未構造化データを事前訓練された基礎モデルを介して有意義な表現に変換し、スパースオートエンコーダを介して解釈する。 しかしながら、神経レベルで有意な因果効果を発見することは、複数のテストの問題と影響の絡み合いのため、簡単ではない。 これらの課題に対処するために,我々は,段階的階層化によって両問題を解く新しい再帰的手法であるニューラルエフェクトサーチを導入する。 半合成実験でアルゴリズムの堅牢性を評価した後、実験生態学の文脈において、実世界の科学的試行において、最初の教師なし因果効果の同定に成功した。

関連論文リスト

• Cross-Validated Causal Inference: a Modern Method to Combine Experimental and Observational Data [48.72384067821617]
  我々は、因果推論において実験データと観測データを統合するための新しい手法を開発した。 実験と観測の損失の重み付けを最小化することにより、因果パラメータを含む完全なモデルを得る。 実データおよび合成データを用いた実験により,本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2025-11-01T22:24:16Z)
• 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)
• Heterogeneous Causal Discovery of Repeated Undesirable Health Outcomes [8.16644941863291]
  因果発見は、観測データから原因と効果の仮説を生成することによって、従来のアプローチに代わる手段を提供する。 しばしば強いあるいは証明不可能な仮定に頼り、その実践的応用を制限することができる。 本研究は、複数の仮定を考慮し、異種効果を同定することにより、因果発見をより実用的なものにすることを目的としている。
  論文  参考訳（メタデータ） (2025-03-14T15:05:17Z)
• Causal Lifting of Neural Representations: Zero-Shot Generalization for Causal Inferences [56.23412698865433]
  予測型因果推論(PPCI)に焦点をあてる PPCIは、未ラベルの事実結果を用いた対象実験における治療効果を推定し、事前訓練されたモデルからゼロショットを取得する。 バニラ実験的リスク最小化によって解決不可能なインスタンスに対するソリューションを提供するため,本手法を合成および実世界の科学的データに対して検証する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Fast Proxy Experiment Design for Causal Effect Identification [27.885243535456237]
  因果効果を推定する2つのアプローチは、観察的および実験的(ランダム化)な研究である。 対象変数の直接実験は、コストがかかりすぎるか、実行不可能である可能性がある。 プロキシ実験は、メインターゲットと比較して、介入するコストの低い変数に対して実施される。
  論文  参考訳（メタデータ） (2024-07-07T11:09:38Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Identification of Single-Treatment Effects in Factorial Experiments [0.0]
  実験において複数の介入がランダム化されている場合、実験環境外において単一の介入が与える影響は、不在の英雄的仮定とは見なされないことを示す。 観測研究と要因実験は、ゼロおよび複数介入による潜在的アウトカム分布に関する情報を提供する。 この種の設計に頼っている研究者は、関数形式の線形性を正当化するか、あるいはDirected Acyclic Graphsで変数が実世界でどのように関連しているかを特定する必要がある。
  論文  参考訳（メタデータ） (2024-05-16T04:01:53Z)
• A Second Look at the Impact of Passive Voice Requirements on Domain Modeling: Bayesian Reanalysis of an Experiment [4.649794383775257]
  我々は、受動音声がその後のドメイン・モデリング活動に与える影響について、唯一知られている制御実験を再分析する。 その結果, 原作者の観察した影響は, 以前考えられていたよりも遥かに少ないことがわかった。
  論文  参考訳（メタデータ） (2024-02-16T16:24:00Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。