論文の概要: PRCD-MAP: Learning How Much to Trust Imperfect Priors in Causal Discovery

• arxiv url: http://arxiv.org/abs/2605.01669v1
• Date: Sun, 03 May 2026 01:48:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.878939
• Title: PRCD-MAP: Learning How Much to Trust Imperfect Priors in Causal Discovery
• Title（参考訳）: PRCD-MAP:因果発見に先立つ不完全な先駆者への信頼の度合い
• Authors: Xihang Shan, Da Zhou,
• Abstract要約: 本稿では,不完全な事前信頼を付与するソフトな事前消費層であるPRCD-MAPを提案する。 信頼度は経験的ベイズによってラプラス近似の限界確率で調整される。 前者が非形式的である場合、学習された信頼は確実に床に崩壊する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: External priors of unknown reliability create a brittle trade-off in causal discovery: blind trust amplifies errors, blind rejection wastes signal. Real priors are also \emph{heterogeneously} reliable -- physical laws are trustworthy, LLM-suggested edges are speculative -- yet existing methods either ignore priors or impose them through globally uniform trust. We propose \textbf{PRCD-MAP}, a soft prior-consumption layer that assigns \emph{per-edge} trust to an imperfect prior and uses it to modulate a prior-aware $\ell_1$ penalty and prior-weighted $\ell_2$ regularizer in a MAP objective. Trust is calibrated by empirical Bayes on a Laplace-approximated marginal likelihood and propagated along the prior graph by an MLP, so that data-confirmed neighborhoods boost trust and contradictions suppress it. PRCD-MAP enjoys a population-level safety guarantee: it is $\varepsilon$-safe in expectation over the prior-generation distribution, with $\varepsilon = O(d^2/T)$ -- inheriting the oracle convergence rate. When the prior is uninformative, learned trust provably collapses to its floor and the method recovers a no-prior baseline. Empirically, on real CausalTime data PRCD-MAP exploits informative priors when present ($+0.123$ AUROC on AQI, $+0.043$ on Medical over PCMCI+), auto-attenuates on the anonymous-variable Traffic stress test, and retains a lead at $d{=}300$; against BayesDAG~\citep{annadani2023bayesdag} -- the closest soft-Bayesian baseline -- PRCD-MAP wins on every CausalTime dataset under a matched $W_0$-only protocol. A four-way ablation isolates each component: EB calibration and MLP trust propagation jointly carry the plurality of the gain, with positive sign on every dataset. Extensions to nonlinear (NAM) and cross-sectional settings show the calibrated-trust principle is setting-agnostic.
• Abstract（参考訳）: 視覚的信頼はエラーを増幅し、視覚的拒絶の信号は無駄になる。 物理法則は信頼に値するが、LLM推奨のエッジは投機的であるが、既存の手法は事前を無視するか、世界的な統一的な信頼を通じてそれらを強制するかのいずれかである。 本稿では, 事前認識した$\ell_1$のペナルティと, 事前重み付き$\ell_2$の正規化をMAP目的に変調するために, 事前信頼を不完全に割り当てるソフトな事前消費層である‘textbf{PRCD-MAP}を提案する。 信頼はラプラス近似された限界確率で経験的ベイズによって校正され、MLPによって前グラフに沿って伝播し、データ確認された地区が信頼を高め、矛盾が抑制される。 PRCD-MAPは人口レベルの安全保証を享受しており、前世代の分布に対して$\varepsilon$-safeであり、$\varepsilon = O(d^2/T)$ -- オラクル収束率を継承している。 前者が非形式的である場合、学習された信頼が確実に床に崩壊し、その方法が未優先のベースラインを回復する。 実証的には、実際のCausalTimeのデータ PRCD-MAPは、現在($+0.123$ AUROC on AQI, $+0.043$ on Medical over PCMCI+)、匿名変数のトラフィックストレステストで自動減衰し、$d{=}300$; against BayesDAG~\citep{annadani2023bayesdag} -- 最も近いソフトベイジアンベースライン -- PRCD-MAPは、マッチした$W_0$-onlyプロトコルの下で、CausalTimeのすべてのデータセットで勝利する。 EBキャリブレーションとMLP信頼伝搬は、各データセットに正の符号を付して、複数のゲインを共同で搬送する。 非線形(NAM)および断面設定への拡張は、校正信頼原理が設定に依存しないことを示す。

関連論文リスト

• Measuring the Unmeasurable: Markov Chain Reliability for LLM Agents [0.7161783472741748]
  エージェントの実行トレースをMarkovチェーンに適合させる再現可能なパイプラインである textscTraceToChain を提示する。 パイプラインは自動クラスタ分類を構築し、Laplace-smoothed maximum-likelihood Estimation (MLE) による遷移を推定し、複合的なAkaike Information criterion (AIC) と Kolmogorov-Smirnov (KS) に適合する。 結果として得られたファーストパスビューは、通常別々に報告されるメトリクスを再構成する: pass$$k$, pass$k$, and the reliability decay curve (RDC) is projections of one。
  論文  参考訳（メタデータ） (2026-04-27T15:05:45Z)
• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Stopping Rules for Stochastic Gradient Descent via Anytime-Valid Confidence Sequences [51.56484100374058]
  凸最適化のための勾配降下(SGD)の停止規則について検討した。 我々は、投影されたSGDの重み付き平均準最適度に対して、任意の有意、データ依存の高信頼シーケンスを開発する。 これらは、厳格でタイムユニフォームなパフォーマンス保証と、有限時間$varepsilon$-optimality証明書である。
  論文  参考訳（メタデータ） (2025-12-15T09:26:45Z)
• Spectral Sentinel: Scalable Byzantine-Robust Decentralized Federated Learning via Sketched Random Matrix Theory on Blockchain [0.0]
  ビザンチンのクライアントは、不均一な(Non-IID)データの下での濃度勾配を中毒する。 本稿では,ビザンチン検出・集約フレームワークであるSpectral Sentinelを提案する。 Polygonネットワーク上でブロックチェーンを統合することで,完全なシステムを実現しています。
  論文  参考訳（メタデータ） (2025-12-14T09:43:03Z)
• ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
  ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。 ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
  論文  参考訳（メタデータ） (2025-12-01T09:44:31Z)
• Backward Conformal Prediction [46.298122008420414]
  我々は、予測セットのサイズを柔軟に制御しながら、コンフォーマルカバレッジを保証するメソッドである$textitBackward Conformal Prediction$を紹介した。 提案手法は,観測データに基づいて,予測セットサイズがどう振る舞うかを制約するルールを定義し,それに応じてカバレッジレベルを適応させる。 このアプローチは、医療診断のような大きな予測セットが実用的でないアプリケーションで特に有用である。
  論文  参考訳（メタデータ） (2025-05-19T21:08:14Z)
• Robust Conformal Prediction under Distribution Shift via Physics-Informed Structural Causal Model [24.58531056536442]
  整形予測(CP)は、テスト入力上の集合を予測することによって不確実性を扱う。 このカバレッジは、キャリブレーションとテストデータセットの差分分布が$P_X$であったとしても、テストデータ上で保証することができる。 本稿では,上界を小さくする物理インフォームド構造因果モデル(PI-SCM)を提案する。
  論文  参考訳（メタデータ） (2024-03-22T08:13:33Z)

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。