論文の概要: From Guess2Graph: When and How Can Unreliable Experts Safely Boost Causal Discovery in Finite Samples?
- arxiv url: http://arxiv.org/abs/2510.14488v1
- Date: Thu, 16 Oct 2025 09:31:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-17 21:15:14.79986
- Title: From Guess2Graph: When and How Can Unreliable Experts Safely Boost Causal Discovery in Finite Samples?
- Title（参考訳）: Guess2Graphから: 信頼できない専門家はいつ、どのようにして、ファイナントサンプルの因果発見を安全に促進できるのか?
- Authors: Sujai Hiremath, Dominik Janzing, Philipp Faller, Patrick Blöbaum, Elke Kirschbaum, Shiva Prasad Kasiviswanathan, Kyra Gan,
- Abstract要約: このフレームワークは,専門家の推測値を用いて統計的テストのシーケンスを置き換えるのではなく,ガイドするものである。
G2G のインスタンス化は PC アルゴリズムを拡張した PC-Guess と,高品質なエキスパート入力の活用を目的とした学習拡張型 gPC-Guess の2種類である。
- 参考スコア（独自算出の注目度）: 20.68174733590345
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal discovery algorithms often perform poorly with limited samples. While integrating expert knowledge (including from LLMs) as constraints promises to improve performance, guarantees for existing methods require perfect predictions or uncertainty estimates, making them unreliable for practical use. We propose the Guess2Graph (G2G) framework, which uses expert guesses to guide the sequence of statistical tests rather than replacing them. This maintains statistical consistency while enabling performance improvements. We develop two instantiations of G2G: PC-Guess, which augments the PC algorithm, and gPC-Guess, a learning-augmented variant designed to better leverage high-quality expert input. Theoretically, both preserve correctness regardless of expert error, with gPC-Guess provably outperforming its non-augmented counterpart in finite samples when experts are "better than random." Empirically, both show monotonic improvement with expert accuracy, with gPC-Guess achieving significantly stronger gains.
- Abstract（参考訳）: 因果発見アルゴリズムは、限られたサンプルではしばしば性能が良くない。
制約として専門家の知識(LLMも含む)を統合することでパフォーマンスが向上するが、既存の手法の保証には完全な予測や不確実性の推定が必要であり、実用的な使用には信頼性が低い。
本稿では,G2G(Guess2Graph)フレームワークを提案する。
これにより、統計的一貫性が保たれ、パフォーマンスが向上する。
G2G のインスタンス化は PC アルゴリズムを拡張した PC-Guess と,高品質なエキスパート入力の活用を目的とした学習拡張型 gPC-Guess の2種類である。
理論的には、どちらも専門家の誤りにかかわらず正確さを保ち、gPC-Guess は専門家が「ランダムよりも小さい」場合の有限標本において、増大しない値よりも確実に優れている。
経験的には、どちらも専門家の精度で単調な改善を示しており、gPC-Guessは大幅に向上した。
関連論文リスト
- Robust and Computation-Aware Gaussian Processes [18.264598332579748]
本稿では,近似による不確実性の原理的処理と強一般化ベイズ更新を組み合わせた新しいGPモデルであるRobust Computation-Aware Gaussian Process (RCaGP)を紹介する。
私たちのモデルは、より保守的で信頼性の高い不確実性評価を確実にします。
実験の結果、これらの課題を共同で解決することで、クリーンな設定とアウターな設定の両方で優れたパフォーマンスが得られることが確認された。
論文 参考訳（メタデータ） (2025-05-27T12:49:14Z) - Learning to Defer for Causal Discovery with Imperfect Experts [59.071731337922664]
L2D-CDは、専門家の推薦の正しさを測り、データ駆動因果発見結果と最適に組み合わせる手法である。
我々は,標準T"ubingenペアデータセット上でL2D-CDを評価し,因果探索法と分離に用いる専門家の双方と比較して優れた性能を示した。
論文 参考訳（メタデータ） (2025-02-18T18:55:53Z) - Principled Bayesian Optimisation in Collaboration with Human Experts [23.988732776208053]
専門家がバイナリ・アセプション/リジェクト・レコメンデーション(ラベル)を通じてアドバイスを提供するセットアップを検討する。
専門家のラベルは費用がかかることが多く、その努力を効率的に利用する必要がある。
2つの重要な保証を提供する、最初の原則付きアプローチを導入します。
論文 参考訳（メタデータ） (2024-10-14T12:46:02Z) - Mixture of Weak & Strong Experts on Graphs [56.878757632521555]
弱い、強い専門家の混ざり合い(マースト)
Mowstは最適化が容易で、強力な表現力を実現する。
4つのバックボーンGNNアーキテクチャでは、Mowstは6つの標準ノード分類ベンチマークで大幅な精度の向上を示している。
論文 参考訳（メタデータ） (2023-11-09T07:45:05Z) - On Preemption and Learning in Stochastic Scheduling [22.32180964593702]
本研究では,その時間分布を決定するジョブタイプに属するジョブの単一マシンスケジューリングについて検討する。
我々は,既知型の性能と比較して,サブ線形超過コストを実現するアルゴリズムを設計し,非プリエンプティブの場合の限界を低くする。
論文 参考訳（メタデータ） (2022-05-31T11:19:32Z) - Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。
トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。
1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
論文 参考訳（メタデータ） (2022-05-27T11:13:17Z) - Trustworthy Long-Tailed Classification [41.45744960383575]
本稿では,分類と不確実性評価を共同で行うために,Trustworthy Long-tailed Classification (TLC)法を提案する。
我々のTLCは、各専門家のエビデンスに基づく不確実性(EvU)とエビデンスを取得し、デプスター・シェーファー・エビデンス理論(DST)の下でこれらの不確実性とエビデンスを組み合わせる。
実験の結果,提案したTLCは最先端の手法よりも優れており,信頼性の高い不確実性に優れていた。
論文 参考訳（メタデータ） (2021-11-17T10:52:36Z) - Outlier-Robust Estimation: Hardness, Minimally Tuned Algorithms, and
Applications [25.222024234900445]
本稿では,外乱推定,一般化最大収束(G-MC),一般化最小正方形(G-TLS)の2つの統一式を提案する。
最悪の場合、(概して)外れ値の集合を見つけることは不可能である。
そこで我々は, 降圧器から降圧器を分離する方法を動的に決定する, 降圧器のリジェクションのための最小調整アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-29T21:06:13Z) - Uncertainty quantification using martingales for misspecified Gaussian
processes [52.22233158357913]
本稿では,ガウス過程(GP)の不確定な定量化を,不特定先行条件下で解決する。
マルティンゲール法を用いて未知関数に対する信頼シーケンス(CS)を構築する。
我々のCSは統計的に有効であり、実証的に標準GP法より優れています。
論文 参考訳（メタデータ） (2020-06-12T17:58:59Z)
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。