論文の概要: Causal Preference Elicitation

• arxiv url: http://arxiv.org/abs/2602.01483v1
• Date: Sun, 01 Feb 2026 23:34:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.811805
• Title: Causal Preference Elicitation
• Title（参考訳）: 因果選好の緩和
• Authors: Edwin V. Bonilla, He Zhao, Daniel M. Steinberg,
• Abstract要約: 因果選好は 局所的なエッジ関係を 積極的にクエリする 向き付けられた非巡回グラフを 後部に集中するために 合成グラフ、タンパク質シグナリングデータ、ヒト遺伝子ベンチマークの実験は、より高速な後部濃度を示し、厳密なクエリ予算下での指示効果の回復を改善した。
• 参考スコア（独自算出の注目度）: 12.331277029048437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose causal preference elicitation, a Bayesian framework for expert-in-the-loop causal discovery that actively queries local edge relations to concentrate a posterior over directed acyclic graphs (DAGs). From any black-box observational posterior, we model noisy expert judgments with a three-way likelihood over edge existence and direction. Posterior inference uses a flexible particle approximation, and queries are selected by an efficient expected information gain criterion on the expert's categorical response. Experiments on synthetic graphs, protein signaling data, and a human gene perturbation benchmark show faster posterior concentration and improved recovery of directed effects under tight query budgets.
• Abstract（参考訳）: 本稿では,局所的なエッジ関係を積極的にクエリして,有向非巡回グラフ(DAG)の後方に集中させるベイズ的因果発見フレームワークである因果選好推論を提案する。 任意のブラックボックス観測後部から、エッジの存在と方向に対して三方向の確率でノイズの多い専門家の判断をモデル化する。 後部推論はフレキシブル粒子近似を用いており、クエリは専門家のカテゴリー的応答に関する効率的な予測情報取得基準によって選択される。 合成グラフ,タンパク質シグナリングデータ,ヒト遺伝子摂動ベンチマークの実験により,より高速な後部濃度が示され,厳密なクエリ予算下での指示効果の回復が向上した。

関連論文リスト

• Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
  我々は,AIGC(AIGC)がレコメンダシステムの性能と力学に与える影響について検討する。 短期的には、AIGCに対する偏見はLLMベースのコンテンツ作成を促進し、AIGCコンテンツを増大させ、不公平なトラフィック分散を引き起こす。 長期コンテンツエコシステムのバランスを維持するため,L1-loss最適化に基づくデバイアス化手法を提案する。
  論文  参考訳（メタデータ） (2024-05-28T09:34:50Z)
• Confronting Reward Overoptimization for Diffusion Models: A Perspective of Inductive and Primacy Biases [76.9127853906115]
  拡散モデルと人間の嗜好のギャップを埋めることが、実用的生成への統合に不可欠である。 本稿では,拡散モデルの時間的帰納バイアスを利用したポリシー勾配アルゴリズムTDPO-Rを提案する。 実験の結果,報酬過小評価を緩和する手法が有効であることが示された。
  論文  参考訳（メタデータ） (2024-02-13T15:55:41Z)
• Exploiting Causal Graph Priors with Posterior Sampling for Reinforcement Learning [86.22660674919746]
  後部サンプリングは、環境の遷移力学に関する事前知識の活用を可能にする。 本稿では,環境変数に対する因果グラフとして先行値が与えられる新しい後方サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T14:16:04Z)
• Expert-Aided Causal Discovery of Ancestral Graphs [25.044662541801618]
  因果発見アルゴリズムは、データが不足している場合に顕著に脆弱である。 ほとんどのCD手法に不確実性がないため、ユーザーは結果の診断と精査を妨げている。 これらの問題に対処するために、Ancestral GFlowNets (AGFNs)を導入します。
  論文  参考訳（メタデータ） (2023-09-21T12:53:45Z)
• Biases in Inverse Ising Estimates of Near-Critical Behaviour [0.0]
  逆推論は、ペアワイズ相互作用を経験的相関から再構成することを可能にする。 Pseudo-likelihood (PLM) などの推定値に偏りが認められた。 データ駆動法は神経科学による機能的磁気共鳴イメージング(fMRI)データセットに研究され応用された。
  論文  参考訳（メタデータ） (2023-01-13T14:01:43Z)
• Predicting Cellular Responses with Variational Causal Inference and Refined Relational Information [28.4434795102787]
  そこで本稿では,非現実的摂動下での細胞の遺伝子発現を予測するために,ベイズ因果推論フレームワークを提案する。 我々は、遺伝子制御ネットワークの形で生物学的知識を表す情報を活用して、個別化された細胞応答予測を支援する。
  論文  参考訳（メタデータ） (2022-09-30T22:13:57Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)

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。