Fugu-MT 論文翻訳(概要): Multi-Level Causal Embeddings

論文の概要: Multi-Level Causal Embeddings

arxiv url: http://arxiv.org/abs/2602.22287v2
Date: Fri, 27 Feb 2026 13:49:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-02 13:30:11.470237
Title: Multi-Level Causal Embeddings
Title（参考訳）: マルチレベル因果埋め込み
Authors: Willem Schooltink, Fabio Massimo Zennaro,
Abstract要約: 本稿では,複数の詳細なモデルを粗い因果モデルのサブシステムにマッピング可能な因果埋め込みフレームワークについて検討する。我々は因果埋め込みを抽象の一般化として定義し、一貫性の概念を一般化する。
参考スコア（独自算出の注目度）: 1.6451639748812477
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Abstractions of causal models allow for the coarsening of models such that relations of cause and effect are preserved. Whereas abstractions focus on the relation between two models, in this paper we study a framework for causal embeddings which enable multiple detailed models to be mapped into sub-systems of a coarser causal model. We define causal embeddings as a generalization of abstraction, and present a generalized notion of consistency. By defining a multi-resolution marginal problem, we showcase the relevance of causal embeddings for both the statistical marginal problem and the causal marginal problem; furthermore, we illustrate its practical use in merging datasets coming from models with different representations.
Abstract（参考訳）: 因果モデルの抽象化は、原因と効果の関係が保存されるようなモデルの粗大化を可能にする。本稿では,2つのモデル間の関係に着目しながら,複数の詳細なモデルを粗い因果モデルのサブシステムにマッピング可能な因果埋め込みフレームワークについて検討する。我々は因果埋め込みを抽象の一般化として定義し、一貫性の概念を一般化する。マルチレゾリューションの限界問題を定義することにより、統計的辺縁問題と因果的辺縁問題の両方に対する因果埋め込みの関連性を示し、さらに、異なる表現を持つモデルから得られるデータセットをマージする実践的利用について述べる。

関連論文リスト

Preference Learning for AI Alignment: a Causal Perspective [55.2480439325792]
私たちはこの問題を因果パラダイムに枠組み化し、永続的な課題を特定するための因果関係の豊富なツールボックスを提供します。因果推論の文献を継承し、信頼性の高い一般化に必要な重要な仮定を特定する。そこで本研究では, 因果関係に基づくアプローチがモデルロバスト性をいかに改善するかを, ナイーブ報酬モデルの障害モードを例示する。
論文参考訳（メタデータ） (2025-06-06T10:45:42Z)
Aligning Graphical and Functional Causal Abstractions [0.0]
因果抽象化により、異なるレベルの粒度の因果モデルを関連付けることができる。因果的抽象化のための2つの方法が文献で一般的である: (i) 構造レベルでモデルを関連付けるクラスタDAGや(ii) 変数と範囲の間のマップによるモデルを関連付ける$alpha$-abstractionsのような機能的抽象化。
論文参考訳（メタデータ） (2024-12-22T16:11:25Z)
Learning Causal Abstractions of Linear Structural Causal Models [18.132607344833925]
因果抽象化(Causal Abstraction)は、2つの構造因果モデルを異なるレベルの詳細で定式化するフレームワークを提供する。線形抽象関数を持つ線形因果モデルに対する両問題に対処する。特にAbs-LiNGAMは,学習された高レベルモデルと抽象関数によって引き起こされる制約を利用して,より大規模な低レベルモデルの回復を高速化する手法である。
論文参考訳（メタデータ） (2024-06-01T10:42:52Z)
Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文参考訳（メタデータ） (2023-10-24T07:46:10Z)
On the Embedding Collapse when Scaling up Recommendation Models [53.66285358088788]
埋め込み崩壊現象をスケーラビリティの阻害とみなし、埋め込み行列は低次元の部分空間を占有する傾向にある。本稿では,組込み集合固有の相互作用モジュールを組み込んで,多様性を持つ組込み集合を学習する,単純かつ効果的な組込み設計を提案する。
論文参考訳（メタデータ） (2023-10-06T17:50:38Z)
Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文参考訳（メタデータ） (2023-08-24T16:06:36Z)
Jointly Learning Consistent Causal Abstractions Over Multiple Interventional Distributions [8.767175335575386]
抽象化は、同じシステムを表す2つの構造因果モデルを異なる解像度で関連付けるために使用できる。リシェルが最近提案した抽象化の形式化に基づく,SCM間の因果的抽象化学習のための第1のフレームワークを紹介する。
論文参考訳（メタデータ） (2023-01-14T11:22:16Z)
Discriminative Multimodal Learning via Conditional Priors in Generative Models [21.166519800652047]
本研究は,モデルトレーニングにおいて,すべてのモダリティとクラスラベルが利用できる現実的なシナリオについて研究する。このシナリオでは、変動的な下界境界は、結合表現と欠測モダリティの間の相互情報を制限する。
論文参考訳（メタデータ） (2021-10-09T17:22:24Z)
Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文参考訳（メタデータ） (2020-07-21T08:18:06Z)
Causal Inference with Deep Causal Graphs [0.0]
パラメトリック因果モデリング技術は、カウンターファクト推定の機能を提供することはめったにない。 Deep Causal Graphsは、因果分布をモデル化するニューラルネットワークに必要な機能の抽象的な仕様である。複雑な相互作用をモデル化する上で,その表現力を示し,機械学習の説明可能性と公正性を示す。
論文参考訳（メタデータ） (2020-06-15T13:03:33Z)
A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。