論文の概要: Dynamic Expert-Guided Model Averaging for Causal Discovery

• arxiv url: http://arxiv.org/abs/2601.16715v1
• Date: Fri, 23 Jan 2026 13:01:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.687998
• Title: Dynamic Expert-Guided Model Averaging for Causal Discovery
• Title（参考訳）: 因果発見のための動的エキスパートガイドモデル平均化
• Authors: Adrick Tench, Thomas Demeester,
• Abstract要約: 因果発見の実践者は、明確なベストな選択をすることなく、めちゃくちゃなアルゴリズムの配列に直面します。 動的に要求される専門家の知識とLSMを専門家とする最近の研究から着想を得て,フレキシブルなモデル平均化手法を提案する。
• 参考スコア（独自算出の注目度）: 5.584758752044016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding causal relationships is critical for healthcare. Accurate causal models provide a means to enhance the interpretability of predictive models, and furthermore a basis for counterfactual and interventional reasoning and the estimation of treatment effects. However, would-be practitioners of causal discovery face a dizzying array of algorithms without a clear best choice. This abundance of competitive algorithms makes ensembling a natural choice for practical applications. At the same time, real-world use cases frequently face challenges that violate the assumptions of common causal discovery algorithms, forcing heavy reliance on expert knowledge. Inspired by recent work on dynamically requested expert knowledge and LLMs as experts, we present a flexible model averaging method leveraging dynamically requested expert knowledge to ensemble a diverse array of causal discovery algorithms. Experiments demonstrate the efficacy of our method with imperfect experts such as LLMs on both clean and noisy data. We also analyze the impact of different degrees of expert correctness and assess the capabilities of LLMs for clinical causal discovery, providing valuable insights for practitioners.
• Abstract（参考訳）: 因果関係を理解することは医療にとって重要である。 正確な因果関係モデルは、予測モデルの解釈可能性を高める手段となり、さらに、対実的および介入的推論と治療効果の推定の基礎となる。 しかし、因果発見の実践者は、明確なベストな選択をすることなく、めちゃくちゃなアルゴリズムの配列に直面します。 競争力のあるアルゴリズムが豊富にあるため、アンサンブルは実用的な用途に自然に選択できる。 同時に、現実世界のユースケースは、共通の因果発見アルゴリズムの仮定に反する問題に直面し、専門家の知識に大きく依存する。 動的に要求される専門家の知識とLSMをエキスパートとして活用する最近の研究に触発されて、動的に要求される専門家の知識を活用して、多様な因果発見アルゴリズムを組み立てる柔軟なモデル平均化手法を提案する。 クリーンかつノイズの多いデータに対して,LSMなどの不完全な専門家を用いた実験により,本手法の有効性を実証した。 また,専門的正当性の違いの影響を分析し,臨床因果発見のためのLCMの能力を評価し,実践者にとって貴重な知見を提供する。

関連論文リスト

• Imitation Learning for Combinatorial Optimisation under Uncertainty [1.0781866671930855]
  本稿では,不確実性の下でのIL最適化の専門家の系統分類について紹介する。 専門家は, 筋力, 決定性, フル情報, 2段階, 多段階の定式化, 最適性のレベル, タスク最適, 近似的エキスパートの識別, 学習者とのインタラクションモード, ワンショットの監督から反復的, インタラクティブなスキームまで, の3つの次元に沿って分類される。
  論文  参考訳（メタデータ） (2026-01-08T21:16:25Z)
• Two Experts Are All You Need for Steering Thinking: Reinforcing Cognitive Effort in MoE Reasoning Models Without Additional Training [86.70255651945602]
  我々はReinforcecing Cognitive Experts(RICE)と呼ばれる新しい推論時ステアリング手法を導入する。 RICEは、追加のトレーニングや複雑化なしに推論のパフォーマンスを改善することを目的としている。 先行する MoE ベースの LRM を用いた経験的評価は、推論精度、認知効率、ドメイン間の一般化において顕著で一貫した改善を示す。
  論文  参考訳（メタデータ） (2025-05-20T17:59:16Z)
• Can Large Language Models Help Experimental Design for Causal Discovery? [94.66802142727883]
  Large Language Model Guided Intervention Targeting (LeGIT) は、LLMを効果的に組み込んだ堅牢なフレームワークであり、因果発見のための介入のための既存の数値的アプローチを強化する。 LeGITは、既存の方法よりも大幅な改善と堅牢性を示し、人間を超越している。
  論文  参考訳（メタデータ） (2025-03-03T03:43:05Z)
• 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)
• Regularized Multi-LLMs Collaboration for Enhanced Score-based Causal Discovery [13.654021365091305]
  我々は,大言語モデル(LLM)を用いて因果発見アプローチを強化する可能性を探る。 本稿では,1つのLLMだけでなく複数のLLMのキャパシティを活用して発見プロセスを増強する汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T01:56:21Z)
• KBM: Delineating Knowledge Boundary for Adaptive Retrieval in Large Language Models [69.99274367773997]
  大規模言語モデル(LLM)は知識を動的に変化させ、未知の静的情報を扱うのにしばしば苦労する。 Retrieval-Augmented Generation (RAG) はこれらの課題に対処するために使われ、LLMの性能向上に大きな影響を与えている。 本稿では,ある質問の既知/未知を表現し,RAGを起動する必要があるかどうかを判断するための知識境界モデル(KBM)を提案する。
  論文  参考訳（メタデータ） (2024-11-09T15:12:28Z)
• Evaluation of Induced Expert Knowledge in Causal Structure Learning by NOTEARS [1.5469452301122175]
  非パラメトリックNOTEARSモデルの定式化に使用される追加制約の形で、専門家の知識が因果関係に与える影響について検討する。 その結果, (i) NOTEARSモデルの誤りを正す知識は, 統計的に有意な改善をもたらすこと, (ii) アクティブエッジに対する制約は, 非アクティブエッジよりも因果発見に肯定的な影響を与えること, (iii) 意外なことに, (iii) 誘導された知識は, 平均的な不正確なアクティブエッジおよび/または非アクティブエッジに対して予想以上に正確でないことが判明した。
  論文  参考訳（メタデータ） (2023-01-04T20:39:39Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)

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。