論文の概要: Causal Discovery for Explainable AI: A Dual-Encoding Approach

• arxiv url: http://arxiv.org/abs/2601.21221v1
• Date: Thu, 29 Jan 2026 03:36:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.550613
• Title: Causal Discovery for Explainable AI: A Dual-Encoding Approach
• Title（参考訳）: 説明可能なAIのための因果発見:デュアルエンコーディングアプローチ
• Authors: Henry Salgado, Meagan R. Kendall, Martine Ceberio,
• Abstract要約: 本稿では、機械学習の決定を説明するために、二重符号化因果探索手法を提案する。 タイタニックデータセットの適用により,提案手法は確立された説明可能な手法と整合する因果構造を同定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding causal relationships among features is fundamental for explaining machine learning model decisions. However, traditional causal discovery methods face challenges with categorical variables due to numerical instability in conditional independence testing. We propose a dual-encoding causal discovery approach that addresses these limitations by running constraint-based algorithms with complementary encoding strategies and merging results through majority voting. Applied to the Titanic dataset, our method identifies causal structures that align with established explainable methods.
• Abstract（参考訳）: 特徴間の因果関係を理解することは、機械学習モデル決定を説明するのに不可欠である。 しかし、従来の因果探索法は、条件付き独立試験における数値不安定性に起因する分類変数による課題に直面している。 本稿では,制約に基づくアルゴリズムを補完的な符号化戦略で実行し,多数決によって結果をマージすることで,これらの制約に対処するデュアルエンコード因果探索手法を提案する。 本手法はタイタニックデータセットに適用し,確立された説明可能な手法と整合した因果構造を同定する。

関連論文リスト

• Differentiable Constraint-Based Causal Discovery [18.720260801912346]
  観測データからの因果発見は人工知能の基本的な課題である。 既存の手法は、制約ベースのアプローチやスコアベースのアプローチに広く分類することができる。 本研究は,ソフトロジックを用いたパーコレーション理論により得られる,微分可能な$d$セパレーションスコアの開発について検討する。
  論文  参考訳（メタデータ） (2025-10-24T21:28:39Z)
• Identifying Causal Direction via Variational Bayesian Compression [6.928582707713723]
  鍵となる原理はアルゴリズムマルコフ条件であり、因果方向に応じて分解された結合分布はより簡潔な符号長をもたらすと仮定する。 従来のアプローチでは、これらの符号長を単純な関数やガウス過程(GP)に頼って容易に評価可能な複雑さで近似していた。 本稿では,ニューラルネットワークの変分ベイズ学習をコード長の解釈として活用することを提案する。
  論文  参考訳（メタデータ） (2025-05-12T12:40:15Z)
• 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)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Invariant Causal Set Covering Machines [48.169632766444906]
  決定木のようなルールベースのモデルは、解釈可能な性質のために実践者にアピールする。 しかし、そのようなモデルを生成する学習アルゴリズムは、しばしば刺激的な関連に弱いため、因果関係の洞察を抽出することが保証されていない。 Invariant Causal Set Covering Machines は、古典的集合被覆マシンアルゴリズムの拡張であり、二値ルールの結合/分離を可能とし、スプリアス関係を確実に回避する。
  論文  参考訳（メタデータ） (2023-06-07T20:52:01Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)

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。