論文の概要: From Plausible to Causal: Counterfactual Semantics for Policy Evaluation in Simulated Online Communities

• arxiv url: http://arxiv.org/abs/2604.03920v1
• Date: Sun, 05 Apr 2026 01:08:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.833849
• Title: From Plausible to Causal: Counterfactual Semantics for Policy Evaluation in Simulated Online Communities
• Title（参考訳）: プラウザブルからカウザリへ:シミュレーションオンラインコミュニティにおける政策評価のためのカウンターファクトリアル・セマンティクス
• Authors: Agam Goyal, Yian Wang, Eshwar Chandrasekharan, Hari Sundaram,
• Abstract要約: 介入$A$のような主張は、エスカレーションの削減には、現在のシミュレーション作業が通常指定していない因果意味を必要とする。 我々は「テキスト・因果関係」と「テキスト・因果関係」を区別する因果関係の枠組みを採用することを提案する。 このマッピングを形式化し、明示的な仮定の下でシミュレーション設計が見積もりをどのようにサポートするかを示し、その結果の量はシミュレータ条件因果推定として解釈されるべきである、と論じる。
• 参考スコア（独自算出の注目度）: 13.92589238677081
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based social simulations can generate believable community interactions, enabling ``policy wind tunnels'' where governance interventions are tested before deployment. But believability is not causality. Claims like ``intervention $A$ reduces escalation'' require causal semantics that current simulation work typically does not specify. We propose adopting the causal counterfactual framework, distinguishing \textit{necessary causation} (would the outcome have occurred without the intervention?) from \textit{sufficient causation} (does the intervention reliably produce the outcome?). This distinction maps onto different stakeholder needs: moderators diagnosing incidents require evidence about necessity, while platform designers choosing policies require evidence about sufficiency. We formalize this mapping, show how simulation design can support estimation under explicit assumptions, and argue that the resulting quantities should be interpreted as simulator-conditional causal estimates whose policy relevance depends on simulator fidelity. Establishing this framework now is essential: it helps define what adequate fidelity means and moves the field from simulations that look realistic toward simulations that can support policy changes.
• Abstract（参考訳）: LLMベースの社会シミュレーションは、信頼できるコミュニティの相互作用を発生させ、ガバナンスの介入がデプロイ前にテストされる ''policy Wind Tunnels'' を可能にする。 しかし、信頼性は因果関係ではない。 'intervention $A$s escalation'' のような主張は、現在のシミュレーション作業が通常明記していない因果的意味論を必要とする。 本稿では, 因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因果的因因果的因因果的因果的因果的因果的因果的因因果的因果的因果的因果的因因果的因因果的因果的因果的因 モデレーターがインシデントを診断するには、必要に関する証拠が必要であるが、プラットフォーム設計者がポリシーを選択するには、十分性に関する証拠が必要である。 このマッピングを形式化し、明示的な仮定の下でシミュレーション設計が見積もりをどのようにサポートするかを示し、その結果の量はシミュレータの忠実度に依存するような条件付き因果推定として解釈されるべきである、と論じる。 適切な忠実さが何を意味するのかを定義し、政策変更をサポートするシミュレーションに向けて現実的なように見えるシミュレーションからフィールドを移動させるのに役立つ。

関連論文リスト

• The Digital Twin Counterfactual Framework: A Validation Architecture for Simulated Potential Outcomes [0.0]
  Digital Twin Counterfactual Framework (DTCF) 五段階検証アーキテクチャは、シミュレーターが正しい反事実を生成できるという不当な主張を、観測可能なデータに対する偽証可能なテストに変換する。 分解は因果量から極端に検証されるものへと分離する。 共同因果関係の主張は明示的な前提付きとなる。
  論文  参考訳（メタデータ） (2026-04-01T19:04:15Z)
• Sim2Act: Robust Simulation-to-Decision Learning via Adversarial Calibration and Group-Relative Perturbation [54.29523408543184]
  シミュレーションと意思決定の学習は、現実世界の展開を危険にさらすことなく、デジタル環境で安全なポリシートレーニングを可能にする。 既存のアプローチでは、平均的なシミュレーションの忠実さを改善するか、保守的な正規化を採用するかに重点を置いている。 提案するSim2Actは,シミュレータとポリシーのロバスト性の両方に対処するロバストなシミュレーション・トゥ・意思決定フレームワークである。
  論文  参考訳（メタデータ） (2026-03-10T00:51:47Z)
• Agentic Scientific Simulation: Execution-Grounded Model Construction and Reconstruction [0.0]
  そこで本研究では,モデル構築をインタプリタ-アクト-バリデートループとして構成するエージェント科学シミュレーションについて検討する。 完全に微分可能なJuliaベースの貯水池シミュレータJutulDarcyをベースとした参照実装JutulGPTを提案する。
  論文  参考訳（メタデータ） (2026-02-27T15:42:05Z)
• G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration [48.948187359727996]
  G-Simは、厳密な経験的校正によるシミュレータ構築を自動化するハイブリッドフレームワークである。 信頼性のある因果的インフォームドシミュレータを生成し、データ効率を軽減し、堅牢なシステムレベルの介入を可能にする。
  論文  参考訳（メタデータ） (2025-06-10T22:14:34Z)
• Partially Specified Causal Simulations [0.0]
  多くの因果推論文学は、過剰に制限された、または不特定な研究を設計する傾向がある。 本研究では,これらのデシラタに対応するシミュレーションフレームワークであるPARCSを導入する。 我々は、よく知られた因果発見と欠落データ分析論文のシミュレーション研究を再現し、拡張する。
  論文  参考訳（メタデータ） (2023-09-19T10:50:35Z)
• Towards Characterizing Domain Counterfactuals For Invertible Latent Causal Models [15.817239008727789]
  本研究では,異なるドメインで生成された場合,サンプルがどのようなものであったのかを仮定した,ドメイン反事実と呼ばれる特定のタイプの因果クエリを解析する。 本研究では, 潜在構造因果モデル (SCM) の回復は, ドメイン・デファクト・デファクトを推定するために不要であることを示す。 また、モデル生成過程を単純化し、生成モデル推定を行うための理論的基盤となる実用的なアルゴリズムも開発する。
  論文  参考訳（メタデータ） (2023-06-20T04:19:06Z)
• 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)
• CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning [68.74447489372037]
  本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。 私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。 我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
  論文  参考訳（メタデータ） (2021-06-25T00:21:41Z)
• 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)

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。