論文の概要: De-paradox Tree: Breaking Down Simpson's Paradox via A Kernel-Based Partition Algorithm
- arxiv url: http://arxiv.org/abs/2603.02174v1
- Date: Mon, 02 Mar 2026 18:45:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:57.033985
- Title: De-paradox Tree: Breaking Down Simpson's Paradox via A Kernel-Based Partition Algorithm
- Title（参考訳）: De-paradox Tree:カーネルベースの分割アルゴリズムによるシンプソンのパラドックスを分解する
- Authors: Xian Teng, Yu-Ru Lin,
- Abstract要約: シンプソンのパラドックスはこの挑戦を例示しており、集合的および部分群レベルの関連は互いに矛盾する。
De-paradox Tree(デパラドックス・ツリー)は、パラドックス的アソシエーションの背後にある隠されたサブグループパターンを明らかにするために設計された解釈可能なアルゴリズムである。
本稿では,従来の因果推論と機械学習手法の限界に,解釈可能なフレームワークを導入することで対処する。
- 参考スコア（独自算出の注目度）: 3.566568169425391
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world observational datasets and machine learning have revolutionized data-driven decision-making, yet many models rely on empirical associations that may be misleading due to confounding and subgroup heterogeneity. Simpson's paradox exemplifies this challenge, where aggregated and subgroup-level associations contradict each other, leading to misleading conclusions. Existing methods provide limited support for detecting and interpreting such paradoxical associations, especially for practitioners without deep causal expertise. We introduce De-paradox Tree, an interpretable algorithm designed to uncover hidden subgroup patterns behind paradoxical associations under assumed causal structures involving confounders and effect heterogeneity. It employs novel split criteria and balancing-based procedures to adjust for confounders and homogenize heterogeneous effects through recursive partitioning. Compared to state-of-the-art methods, De-paradox Tree builds simpler, more interpretable trees, selects relevant covariates, and identifies nested opposite effects while ensuring robust estimation of causal effects when causally admissible variables are provided. Our approach addresses the limitations of traditional causal inference and machine learning methods by introducing an interpretable framework that supports non-expert practitioners while explicitly acknowledging causal assumptions and scope limitations, enabling more reliable and informed decision-making in complex observational data environments.
- Abstract（参考訳）: 実世界の観測データセットと機械学習は、データ駆動意思決定に革命をもたらしたが、多くのモデルは、不均一性とサブグループの不均一性のために誤解を招く可能性のある経験的関連に依存している。
シンプソンのパラドックスはこの挑戦を例示し、集合的および部分群レベルの関連が互いに矛盾し、誤った結論をもたらす。
既存の方法は、特に深い因果的専門知識を持たない実践者に対して、そのようなパラドックス的関連を検出し、解釈するための限定的な支援を提供する。
De-paradox Tree(デパラドックス・ツリー)は、共同設立者を含む因果構造を仮定したパラドックス関係の背後に隠されたサブグループパターンを明らかにするために設計された解釈可能なアルゴリズムである。
共同創設者の調整と再帰的パーティショニングによる異種効果の均質化のために、新たな分割基準とバランスベースの手順を採用している。
最先端の手法と比較して、De-paradox Treeはよりシンプルで解釈可能な木を構築し、関連する共変数を選択し、因果的許容変数が提供されるときに因果的効果の堅牢な評価を確保しながら、ネストされた反対効果を識別する。
本研究では,従来の因果推論と機械学習手法の限界に対処し,非専門家を支援する解釈可能なフレームワークを導入し,因果推定と範囲制限を明確に認識し,複雑な観測データ環境におけるより信頼性が高く情報的意思決定を可能にする。
関連論文リスト
- Scalable Contrastive Causal Discovery under Unknown Soft Interventions [3.165716101116899]
本稿では,2つの観測と干渉のペア化のためのスケーラブルな因果探索モデルを提案し,その基礎構造と未知のソフト介入について述べる。
合成データの実験では、因果構造回復の改善、保持された因果機構を持つ未知のグラフへの一般化、より大きなグラフへのスケーラビリティが示されている。
論文 参考訳（メタデータ） (2026-03-03T18:16:16Z) - Causal Discovery with Mixed Latent Confounding via Precision Decomposition [0.0]
微分可能およびスコアベースDAG学習者は、グローバル潜伏効果を因果エッジと誤解釈することができる。
我々は,これらの役割を分離したモジュール型高精度パイプラインであるtextscDCL-DECORを提案する。
論文 参考訳（メタデータ） (2025-12-31T08:03:41Z) - The Curse of CoT: On the Limitations of Chain-of-Thought in In-Context Learning [56.574829311863446]
CoT(Chain-of-Thought)プロンプトは,大規模言語モデル(LLM)における推論能力の向上によって広く認識されている。
我々は、CoTとその推論変異が、様々なモデルスケールやベンチマークの複雑さに対して、直接応答を一貫して過小評価していることを実証する。
パターンベースICLにおけるCoTの性能を駆動する明示的単純推論の基本的なハイブリッド機構を明らかにする。
論文 参考訳（メタデータ） (2025-04-07T13:51:06Z) - Addressing pitfalls in implicit unobserved confounding synthesis using explicit block hierarchical ancestral sampling [1.7037247867649157]
現状のプロトコルには、因果モデルの完全な空間からのアンバイアスサンプリングを妨げる2つの異なる問題があることを示す。
本研究では, ブロック階層的な基底真理因果グラフの生成を生かした, 観測不能な共起に対する明示的モデリング手法を提案する。
論文 参考訳（メタデータ） (2025-03-12T09:38:40Z) - VISPUR: Visual Aids for Identifying and Interpreting Spurious
Associations in Data-Driven Decisions [8.594140167290098]
シンプソンのパラドックス(シンプソンのパラドックス、英: paradox)は、集合とサブグループレベルの関連が互いに矛盾する現象である。
既存のツールは、人間が実際に急激な協会の落とし穴を見つけ、推論し、防ぐための洞察をほとんど提供しない。
本稿では、因果解析フレームワークと人間中心のワークフローを提供する視覚分析システムであるVISPURを提案する。
論文 参考訳（メタデータ） (2023-07-26T18:40:07Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - 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) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳（メタデータ） (2020-08-02T11:19:36Z) - 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。
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。