論文の概要: Causal Neural Probabilistic Circuits

• arxiv url: http://arxiv.org/abs/2603.01372v1
• Date: Mon, 02 Mar 2026 02:15:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.651623
• Title: Causal Neural Probabilistic Circuits
• Title（参考訳）: 因果神経確率回路
• Authors: Weixin Chen, Han Zhao,
• Abstract要約: 概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、概念層を導入し、概念予測からクラスラベルを予測することによって、エンドツーエンドのニューラルネットワークの解釈可能性を高める。 本稿では,ニューラル属性予測回路と因果グラフからコンパイルされた因果確率回路を組み合わせた因果確率回路(CNPC)を提案する。 CNPCは、割り込み属性の数によって高いタスク精度を達成する。
• 参考スコア（独自算出の注目度）: 13.696507778417326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept Bottleneck Models (CBMs) enhance the interpretability of end-to-end neural networks by introducing a layer of concepts and predicting the class label from the concept predictions. A key property of CBMs is that they support interventions, i.e., domain experts can correct mispredicted concept values at test time to improve the final accuracy. However, typical CBMs apply interventions by overwriting only the corrected concept while leaving other concept predictions unchanged, which ignores causal dependencies among concepts. To address this, we propose the Causal Neural Probabilistic Circuit (CNPC), which combines a neural attribute predictor with a causal probabilistic circuit compiled from a causal graph. This circuit supports exact, tractable causal inference that inherently respects causal dependencies. Under interventions, CNPC models the class distribution based on a Product of Experts (PoE) that fuses the attribute predictor's predictive distribution with the interventional marginals computed by the circuit. We theoretically characterize the compositional interventional error of CNPC w.r.t. its modules and identify conditions under which CNPC closely matches the ground-truth interventional class distribution. Experiments on five benchmark datasets in both in-distribution and out-of-distribution settings show that, compared with five baseline models, CNPC achieves higher task accuracy across different numbers of intervened attributes.
• Abstract（参考訳）: 概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、概念層を導入し、概念予測からクラスラベルを予測することによって、エンドツーエンドのニューラルネットワークの解釈可能性を高める。 CBMの重要な特性は、彼らが介入をサポートすることである。すなわち、ドメインの専門家はテスト時に誤予測された概念値を修正して最終的な精度を向上させることができる。 しかし、典型的なCBMは、修正された概念のみを上書きし、他の概念予測をそのまま残し、概念間の因果関係を無視して介入を適用する。 そこで本研究では,ニューラル属性予測回路と因果グラフからコンパイルされた因果確率回路を組み合わせた因果確率回路(CNPC)を提案する。 この回路は、本質的に因果依存性を尊重する、正確に、抽出可能な因果推論をサポートする。 介入の下で、CNPCは、属性予測器の予測分布と回路によって計算される介入限界とを融合させる、専門家製品(PoE)に基づくクラス分布をモデル化する。 我々は,CNPCのモジュールの構成的介入誤差を理論的に特徴付け,CNPCが接地的相互干渉クラス分布と密に一致している条件を特定する。 分布内および分布外の両方で5つのベンチマークデータセットの実験により、CNPCは5つのベースラインモデルと比較して、異なる数のインターベンション属性に対して高いタスク精度を達成することが示された。

関連論文リスト

• Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
  本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。 フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。 算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
  論文  参考訳（メタデータ） (2025-11-13T07:26:01Z)
• Understanding and Improving Adversarial Robustness of Neural Probabilistic Circuits [13.696507778417326]
  新しい概念ボトルネックモデルであるニューラル確率回路は、属性認識モデルと推論のための確率回路から構成される。 理論的にNPCの対向ロバスト性を解析し、属性認識モデルのロバスト性にのみ依存することを示す。 我々は,認識モジュールに対する敵攻撃に対して,最初の堅牢なニューラル確率回路であるRNPCを提案する。
  論文  参考訳（メタデータ） (2025-09-24T20:25:17Z)
• Estimating Interventional Distributions with Uncertain Causal Graphs through Meta-Learning [26.3914014514629]
  生物学から社会科学まで、科学分野では、多くの疑問がテキスト化されます。 モデル平均因果推定変換器ニューラルプロセス(MACE-TNP)を用いたメタラーニングによるエンドツーエンドモデルの構築を提案する。 我々の研究は、複雑なベイズ因果推論を近似するフレキシブルでスケーラブルなパラダイムとしてメタラーニングを確立している。
  論文  参考訳（メタデータ） (2025-07-07T22:48:32Z)
• Interpretable Hierarchical Concept Reasoning through Attention-Guided Graph Learning [8.464865102100925]
  本稿では,階層型概念記憶共振器(H-CMR)を提案する。 H-CMRは最先端のパフォーマンスと一致し、概念やモデルの介入を通じて強い人間との相互作用を可能にする。
  論文  参考訳（メタデータ） (2025-06-26T08:56:55Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• Estimation with Uncertainty via Conditional Generative Adversarial Networks [3.829070379776576]
  条件付き生成逆数ネットワーク(cGAN)におけるジェネレータの使い方が異なる予測確率型ニューラルネットワークモデルを提案する。 通常のcGANの入力と出力を反転させることで、モデルを予測モデルとしてうまく利用することができる。 さらに,予測の不確実性を測定するために,回帰問題や分類問題に対するエントロピーと相対エントロピーを導入する。
  論文  参考訳（メタデータ） (2020-07-01T08:54:17Z)

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。