論文の概要: Effect-Level Validation for Causal Discovery

• arxiv url: http://arxiv.org/abs/2602.08340v1
• Date: Mon, 09 Feb 2026 07:26:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.103377
• Title: Effect-Level Validation for Causal Discovery
• Title（参考訳）: 因果発見における効果レベル検証
• Authors: Hoang Dang, Luan Pham, Minh Nguyen,
• Abstract要約: 大規模テレメトリデータに因果発見を適用して,ユーザの介入効果を推定する。 しかし,フィードバック駆動型システムにおける意思決定の信頼性は高い。 本稿では,発見されたグラフを構造仮説として扱う,効果中心のアクセシビリティ優先フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.8192444294441061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery is increasingly applied to large-scale telemetry data to estimate the effects of user-facing interventions, yet its reliability for decision-making in feedback-driven systems with strong self-selection remains unclear. In this paper, we propose an effect-centric, admissibility-first framework that treats discovered graphs as structural hypotheses and evaluates them by identifiability, stability, and falsification rather than by graph recovery accuracy alone. Empirically, we study the effect of early exposure to competitive gameplay on short-term retention using real-world game telemetry. We find that many statistically plausible discovery outputs do not admit point-identified causal queries once minimal temporal and semantic constraints are enforced, highlighting identifiability as a critical bottleneck for decision support. When identification is possible, several algorithm families converge to similar, decision-consistent effect estimates despite producing substantially different graph structures, including cases where the direct treatment-outcome edge is absent and the effect is preserved through indirect causal pathways. These converging estimates survive placebo, subsampling, and sensitivity refutation. In contrast, other methods exhibit sporadic admissibility and threshold-sensitive or attenuated effects due to endpoint ambiguity. These results suggest that graph-level metrics alone are inadequate proxies for causal reliability for a given target query. Therefore, trustworthy causal conclusions in telemetry-driven systems require prioritizing admissibility and effect-level validation over causal structural recovery alone.
• Abstract（参考訳）: 大規模テレメトリデータに因果発見を適用してユーザの介入効果を推定するが、強い自己選択を持つフィードバック駆動システムにおける意思決定の信頼性は依然として不明である。 本稿では,発見されたグラフを構造仮説として扱い,グラフ復元精度のみではなく,識別可能性,安定性,ファルシフィケーションによって評価する,効果中心の適応性優先フレームワークを提案する。 実世界のゲームテレメトリを用いて,早期のゲームプレイへの露出が短期的保持に及ぼす影響を実証的に検討した。 時間的および意味的な制約が最小限に抑えられると、多くの統計的に妥当な発見出力は、ポイント特定因果クエリを許容せず、決定支援の重要なボトルネックとして識別可能性を強調している。 同定が可能となると、いくつかのアルゴリズムファミリーは、直接処理・アウトカムエッジが欠如し、間接因果経路を通じて効果が保存される場合を含む、実質的に異なるグラフ構造を生成するにもかかわらず、同様の決定一貫性のある効果推定に収束する。 これらの収束推定は、プラセボ、サブサンプリング、感度の緩和を生き残る。 対照的に、他の手法は、エンドポイントの曖昧さによる散発的許容性と閾値感受性または減衰効果を示す。 これらの結果から,グラフレベルの指標だけでは,対象クエリの因果信頼性に不十分なプロキシであることが示唆された。 したがって、テレメトリ駆動システムにおける信頼できる因果関係の結論は、因果構造回復のみに対する許容性の優先順位付けと効果レベルの検証を必要とする。

関連論文リスト

• The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks [51.468144272905135]
  深層ニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱なままでも重要なアプリケーションを支える。 バックドア攻撃を標的とした理論的解析を行い,不均質なモデル操作を実現するための疎い決定境界に着目した。 エミネンス(Eminence)は、理論的な保証と固有なステルス特性を持つ、説明可能で堅牢なブラックボックスバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-12-11T08:09:07Z)
• 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)
• Proximal Inference on Population Intervention Indirect Effect [8.296034406842345]
  人口介入間接効果(英: Population intervention indirect effect、PIIE)は、人口介入効果の間接成分を表す新しい媒介効果である。 本稿では,未測定の共同創設者が被曝・被曝・被曝・被曝・被曝・被曝関係に影響を及ぼすような環境下でのPIIE識別フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-16T08:14:55Z)
• Disentangled Graph Autoencoder for Treatment Effect Estimation [1.361700725822891]
  本稿では,ネットワーク化された観測データに対する処理効果推定のための非交叉変分グラフオートエンコーダを提案する。 我々のグラフエンコーダは、潜伏因子を、ヒルベルト・シュミット独立基準を用いて因子独立を強制しながら、楽器的、障害的、調整的、ノイズ的な要因に分解する。
  論文  参考訳（メタデータ） (2024-12-19T03:44:49Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• 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)
• Partial Identification of Causal Effects Using Proxy Variables [19.23377338970307]
  近位因果推論は,非測定的共起の存在下での因果効果を評価するためのフレームワークとして最近提案されている。 本稿では,橋梁関数の完全性を必要としない部分的識別手法を提案する。
  論文  参考訳（メタデータ） (2023-04-10T04:18:27Z)
• Causal Ordering Without Effect Estimation: A Framework for Using Proxies in Treatment Prioritization [3.0509197593879844]
  予測プロキシを推論する決定中心のフレームワークを開発する。 プロキシが処理効果の優越的なモデレーターを反映した場合に保持する正しい効果順序をプロキシが回復する条件を同定する。 これらの条件が、個別選択設定において有用な近似としてどのように現れるかを示し、介入なしに行動する確率が説得を緩やかにすることを示す。
  論文  参考訳（メタデータ） (2022-06-25T02:15:22Z)

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。