論文の概要: A fine-grained look at causal effects in causal spaces

• arxiv url: http://arxiv.org/abs/2512.11919v2
• Date: Tue, 16 Dec 2025 15:35:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 14:48:05.935866
• Title: A fine-grained look at causal effects in causal spaces
• Title（参考訳）: 因果空間における因果効果の微粒化
• Authors: Junhyung Park, Yuqing Zhou,
• Abstract要約: 我々は事象のレベルにおける因果効果について研究し、確率論からインスピレーションを得た。 因果効果が存在するかどうかを判定するバイナリ定義をいくつか導入する。 特例として治療効果の共通指標を回復できることが示唆された。
• 参考スコア（独自算出の注目度）: 10.99954450966829
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The notion of causal effect is fundamental across many scientific disciplines. Traditionally, quantitative researchers have studied causal effects at the level of variables; for example, how a certain drug dose (W) causally affects a patient's blood pressure (Y). However, in many modern data domains, the raw variables-such as pixels in an image or tokens in a language model-do not have the semantic structure needed to formulate meaningful causal questions. In this paper, we offer a more fine-grained perspective by studying causal effects at the level of events, drawing inspiration from probability theory, where core notions such as independence are first given for events and sigma-algebras, before random variables enter the picture. Within the measure-theoretic framework of causal spaces, a recently introduced axiomatisation of causality, we first introduce several binary definitions that determine whether a causal effect is present, as well as proving some properties of them linking causal effect to (in)dependence under an intervention measure. Further, we provide quantifying measures that capture the strength and nature of causal effects on events, and show that we can recover the common measures of treatment effect as special cases.
• Abstract（参考訳）: 因果効果の概念は多くの科学分野に根ざしている。 伝統的に、定量的研究者は変数のレベルにおける因果効果(例えば、ある薬物投与量(W)が患者の血圧(Y)に因果的にどのように影響するかなど)を研究してきた。 しかし、現代の多くのデータ領域では、画像中のピクセルや言語モデル内のトークンのような生の変数は意味的な因果関係を定式化するために必要な意味構造を持っていない。 本稿では、確率論からインスピレーションを得て、確率変数が図に入る前に、独立やシグマ代数といった基本概念をまずイベントやシグマ代数に対して与え、よりきめ細やかな視点を提供する。 最近導入された因果関係の公理化(axiomatization of causality)である因果関係の測度理論(axiomatization of causality)の枠組みの中で、因果効果が存在するかどうかを判定するいくつかの二項定義を導入するとともに、介入尺度の下で因果効果と(in)依存性をリンクするいくつかの性質を証明した。 さらに, 事象に対する因果効果の強さと性質を定量化し, 治療効果の共通尺度を特殊事例として再現可能であることを示す。

関連論文リスト

• Exploring Causal Effect of Social Bias on Faithfulness Hallucinations in Large Language Models [50.18087419133284]
  大規模言語モデル(LLM)は様々なタスクで顕著な成功を収めたが、忠実な幻覚に弱いままである。 社会的偏見がこれらの幻覚に寄与するかどうかを考察する。 重要な課題は、バイアス状態と幻覚の間の因果関係の分離を複雑化する、コンテキスト内の共同創設者を制御することである。
  論文  参考訳（メタデータ） (2025-08-11T08:34:28Z)
• Moments of Causal Effects [12.126945643201136]
  この研究は、それらの分布と関係を分析するために因果効果のモーメントと積モーメントの定義、識別定理、および境界を与える。 本研究では,有限標本から因果効果のモーメントを推定する実験を行い,実世界の医療データセットを用いてその実践的応用を実証する。
  論文  参考訳（メタデータ） (2025-05-08T06:09:05Z)
• 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)
• Learning sources of variability from high-dimensional observational studies [41.06757602546625]
  因果推論は、変数の存在が観測結果に影響を及ぼすかどうかを研究する。 我々の研究は、任意の次元または可測空間を持つ結果に対する因果推定を一般化する。 本稿では,一貫した条件付き独立性テストを調整するための簡単な手法を提案する。
  論文  参考訳（メタデータ） (2023-07-26T00:01:16Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Phenomenological Causality [14.817342045377842]
  本稿では,基本的な概念が基本的な行動の集合である「現象因果性」の概念を提案する。 検討中のシステムが基本的な動作を制御する他の変数と相互作用する場合、それは因果マルコフ条件と一致していると論じる。
  論文  参考訳（メタデータ） (2022-11-15T13:05:45Z)
• iCITRIS: Causal Representation Learning for Instantaneous Temporal Effects [36.358968799947924]
  因果表現学習は、基礎となる因果変数とその関係を高次元観測から識別するタスクである。 時間的シーケンスにおける瞬時効果を処理できる因果表現学習法iCITRISを提案する。 3つのビデオデータセットの実験において、iCITRISは因果因子とその因果グラフを正確に識別する。
  論文  参考訳（メタデータ） (2022-06-13T13:56:40Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)

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。