論文の概要: Causal Discovery as Dialectical Aggregation: A Quantitative Argumentation Framework

• arxiv url: http://arxiv.org/abs/2604.23633v1
• Date: Sun, 26 Apr 2026 09:47:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.472245
• Title: Causal Discovery as Dialectical Aggregation: A Quantitative Argumentation Framework
• Title（参考訳）: 弁証的集合としての因果発見--量的論証の枠組み
• Authors: Sheng Wei, Yulin Chen, Beishui Liao,
• Abstract要約: 制約に基づく因果発見は有限サンプル系では不安定である。 因果発見のための定量化手法(QACD)を提案する。 QACDは、CIの成果を、不可逆的な制約ではなく、格付けされた非実現可能な引数として表現します。
• 参考スコア（独自算出の注目度）: 13.587507786613664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Constraint-based causal discovery is brittle in finite-sample regimes because erroneous conditional-independence (CI) decisions can cascade into substantial structural errors. We propose Quantitative Argumentation for Causal Discovery (QACD), a semantics-driven framework that represents CI outcomes as graded, defeasible arguments rather than irreversible constraints. QACD maps statistical test outcomes to argument strengths and aggregates conflicting evidence through connectivity-mediated witness propagation, producing a fixed-point acceptability labeling over candidate adjacencies. Experiments on standard benchmark Bayesian networks suggest that QACD improves structural coherence and interventional reliability in several noisy or inconsistent CI regimes, while remaining competitive with classical constraint-based, hybrid, and prior argumentation-based baselines.
• Abstract（参考訳）: 制約に基づく因果発見は、誤った条件独立性(CI)決定が実質的な構造的誤りにカスケードできるため、有限サンプル体制では脆弱である。 因果発見のための量的論証(QACD)は,CIの成果を不可逆的制約ではなく,段階的かつ実現不可能な議論として表現するセマンティクス駆動のフレームワークである。 QACDは、統計テストの結果を議論の強さにマッピングし、接続を介する証人伝播を通じて矛盾する証拠を集約し、候補の隣接点にラベルを付ける固定点受理性を生成する。 標準ベンチマークによるベイズネットワークの実験では、QACDは古典的な制約ベース、ハイブリッド、事前の議論ベースラインと競合しながら、いくつかのノイズや一貫性のないCI体制における構造的コヒーレンスと介入的信頼性を改善することが示唆されている。

関連論文リスト

• When Verification Fails: How Compositionally Infeasible Claims Escape Rejection [30.404615085122046]
  既存の検証ベンチマークでは,厳密なクレーム検証と簡易な塩分制約依存を区別できないことを示す。 有意な制約が支持されるが、非有意な制約が矛盾する場合に、構成的に不可能なクレームを構築する。 モデル間の差は,基礎的推論能力よりも検証しきい値の差を反映していることを示す。
  論文  参考訳（メタデータ） (2026-04-13T04:48:20Z)
• TRUE: A Trustworthy Unified Explanation Framework for Large Language Model Reasoning [0.2538209532048867]
  大規模言語モデル(LLM)は複雑な推論タスクにおいて強力な能力を示してきたが、その意思決定プロセスは解釈が難しいままである。 本稿では,実行可能推論検証,実現可能な領域指向非巡回グラフ(DAG)モデリング,因果故障モード解析を統合したTrustworthy Unified Explanation Framework(TRUE)を提案する。
  論文  参考訳（メタデータ） (2026-02-21T17:00:54Z)
• Uncertainty in Federated Granger Causality: From Origins to Systemic Consequences [3.122408196953971]
  Granger Causality (GC)は時系列データから因果構造を学ぶための厳密なフレームワークを提供する。 フェデレーションGCアルゴリズムは因果関係を決定論的に推定し、不確実性を無視するのみである。 本稿では,不確実性を厳密に定量化するための最初の手法を確立する。
  論文  参考訳（メタデータ） (2026-02-13T15:12:18Z)
• FaithCoT-Bench: Benchmarking Instance-Level Faithfulness of Chain-of-Thought Reasoning [62.452350134196934]
  FaithCoT-Benchは、インスタンスレベルのCoT不信検出のための統一ベンチマークである。 我々の枠組みは差別的な決定問題として不誠実検出を定式化している。 FaithCoT-Bench は LLM のより解釈可能で信頼性の高い推論に向けた将来の研究の基盤となる。
  論文  参考訳（メタデータ） (2025-10-05T05:16:54Z)
• CTRLS: Chain-of-Thought Reasoning via Latent State-Transition [57.51370433303236]
  チェーン・オブ・シント(CoT)推論は、大規模な言語モデルで複雑な問題を解釈可能な中間ステップに分解することを可能にする。 我々は,遅延状態遷移を伴うマルコフ決定プロセス(MDP)としてCoT推論を定式化するフレームワークであるgroundingSを紹介する。 我々は、ベンチマーク推論タスクにおける推論精度、多様性、探索効率の改善を示す。
  論文  参考訳（メタデータ） (2025-07-10T21:32:18Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• 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)
• Answering Causal Queries at Layer 3 with DiscoSCMs-Embracing Heterogeneity [0.0]
  本稿では, 分散一貫性構造因果モデル (DiscoSCM) フレームワークを, 反事実推論の先駆的アプローチとして提唱する。
  論文  参考訳（メタデータ） (2023-09-17T17:01:05Z)
• Does Misclassifying Non-confounding Covariates as Confounders Affect the Causal Inference within the Potential Outcomes Framework? [4.074237603319893]
  潜在的なアウトカム・フレームワーク(POF)は因果推論の分野で重要な役割を果たしている。 我々はCIMs-POFのための統一的なグラフィカル・フレームワークを提案し、これらのモデルの基本原理の理解を大幅に強化する。
  論文  参考訳（メタデータ） (2023-08-22T13:18:13Z)
• 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)

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。