論文の概要: Stress-Testing Causal Claims via Cardinality Repairs

• arxiv url: http://arxiv.org/abs/2512.02491v1
• Date: Tue, 02 Dec 2025 07:31:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.767758
• Title: Stress-Testing Causal Claims via Cardinality Repairs
• Title（参考訳）: 心臓修復を介するストレス試験による因果関係の解明
• Authors: Yarden Gabbay, Haoquan Guan, Shaull Almagor, El Kindi Rezig, Brit Youngmann, Babak Salimi,
• Abstract要約: データの小さな、ターゲットとする変更に対して、因果関係はどの程度堅牢か? 本稿では,基性修復による監査のためのフレームワークであるSubCureを紹介する。 我々は、スクラッチから再学習することなく因果推定を更新するための機械学習手法を取り入れた効率的なアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 11.043119484281531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal analyses derived from observational data underpin high-stakes decisions in domains such as healthcare, public policy, and economics. Yet such conclusions can be surprisingly fragile: even minor data errors - duplicate records, or entry mistakes - may drastically alter causal relationships. This raises a fundamental question: how robust is a causal claim to small, targeted modifications in the data? Addressing this question is essential for ensuring the reliability, interpretability, and reproducibility of empirical findings. We introduce SubCure, a framework for robustness auditing via cardinality repairs. Given a causal query and a user-specified target range for the estimated effect, SubCure identifies a small set of tuples or subpopulations whose removal shifts the estimate into the desired range. This process not only quantifies the sensitivity of causal conclusions but also pinpoints the specific regions of the data that drive those conclusions. We formalize this problem under both tuple- and pattern-level deletion settings and show both are NP-complete. To scale to large datasets, we develop efficient algorithms that incorporate machine unlearning techniques to incrementally update causal estimates without retraining from scratch. We evaluate SubCure across four real-world datasets covering diverse application domains. In each case, it uncovers compact, high-impact subsets whose removal significantly shifts the causal conclusions, revealing vulnerabilities that traditional methods fail to detect. Our results demonstrate that cardinality repair is a powerful and general-purpose tool for stress-testing causal analyses and guarding against misleading claims rooted in ordinary data imperfections.
• Abstract（参考訳）: 医療、公共政策、経済学などの領域における高い意思決定を支える観測データから導かれる因果分析。 しかし、このような結論は驚くほど脆弱である。小さなデータエラー(重複レコードやエントリミス)でさえ、因果関係を劇的に変更する可能性がある。 データの小さな、ターゲットとする変更に対する因果的主張は、どの程度堅牢か? この疑問に対処することは、経験的発見の信頼性、解釈可能性、再現性を保証するために不可欠である。 本稿では,基性修復によるロバストネス監査のためのフレームワークであるSubCureを紹介する。 推定効果に対する因果クエリとユーザが指定したターゲット範囲が与えられた場合、SubCureは、見積もりを所望の範囲に移動させるタプルやサブポピュレーションの小さなセットを特定する。 このプロセスは因果結論の感度を定量化するだけでなく、それらの結論を導くデータの特定の領域も特定する。 我々は、この問題をタプルレベルとパターンレベルの削除設定の両方で形式化し、どちらもNP完全であることを示す。 大規模なデータセットにスケールするために、スクラッチから再トレーニングすることなく因果推定を漸進的に更新する機械学習技術を組み込んだ効率的なアルゴリズムを開発する。 多様なアプリケーションドメインをカバーする4つの実世界のデータセットでSubCureを評価する。 それぞれのケースにおいて、削除によって因果関係の結論が著しく変化し、従来のメソッドが検出できない脆弱性が明らかになるような、コンパクトでインパクトの高いサブセットを明らかにする。 本研究は, 定性修復がストレステスト因果解析の強力な汎用ツールであり, 通常のデータ不完全性に根ざした誤解を招くクレームの保護であることを示す。

関連論文リスト

• Relational Deep Dive: Error-Aware Queries Over Unstructured Data [9.0236658372663]
  ReDD(Relational Deep Dive)は、クエリ固有のスキーマを動的に発見し、リレーショナルテーブルをポップアップさせ、証明可能な保証でエラー認識抽出を保証するフレームワークである。 主な貢献は、カバレッジ保証付きエラー検出の統計的校正手法であるSCAPEと、精度と人的補正コストのトレードオフを最適化するハイブリッドアプローチであるSCAPE-HYBである。
  論文  参考訳（メタデータ） (2025-11-04T16:30:55Z)
• 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)
• When Claims Evolve: Evaluating and Enhancing the Robustness of Embedding Models Against Misinformation Edits [5.443263983810103]
  ユーザーはオンラインでクレームと対話するので、しばしば編集を導入し、現在の埋め込みモデルがそのような編集に堅牢かどうかは不明だ。 本研究では, 文埋め込みモデルの頑健性を評価するために, 有効かつ自然なクレーム変動を生成する摂動フレームワークを提案する。 評価の結果,標準埋込モデルでは編集されたクレームに顕著な性能低下がみられ,LCM蒸留埋込モデルでは高い計算コストでロバスト性の向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2025-03-05T11:47:32Z)
• 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)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。