論文の概要: PLOT: Progressive Localization via Optimal Transport in Neural Causal Abstraction

• arxiv url: http://arxiv.org/abs/2605.06979v1
• Date: Thu, 07 May 2026 21:52:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.641373
• Title: PLOT: Progressive Localization via Optimal Transport in Neural Causal Abstraction
• Title（参考訳）: PLOT: 神経因果抽象化における最適輸送による進行的局在
• Authors: Jonathn Chang, Arya Datla, Ziv Goldfeld,
• Abstract要約: 因果抽象化は、機械的解釈可能性のための原則化されたフレームワークを提供する。 本稿では,抽象的および神経的介入の出力効果幾何から因果変数を局所化する輸送ベースのフレームワークPLOTを紹介する。 PLOTは抽象変数と候補神経部位の最適な輸送結合に適合し、干渉ハンドにキャリブレーションできるグローバルなソフト対応をもたらす。
• 参考スコア（独自算出の注目度）: 15.57835903045869
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal abstraction offers a principled framework for mechanistic interpretability, aligning a high-level causal model with the low-level computation realized by a neural network through counterfactual intervention analysis. Existing methods such as distributed alignment search (DAS) learn expressive subspace interventions, but the relevant neural site is unknown a priori, so finding a handle requires a computationally burdensome search over candidate sites. We introduce PLOT (Progressive Localization via Optimal Transport), a transport-based framework that localizes causal variables from the output effect geometry of abstract and neural interventions. PLOT fits an optimal transport coupling between abstract variables and candidate neural sites, yielding a global soft correspondence that can be calibrated into intervention handles. In simple settings, a single coupling over individual neurons suffices. In larger models, PLOT is applied progressively, moving from coarse sites such as tokens, timesteps, or layers to finer supports such as coordinate groups or PCA spans, and optionally guiding DAS based on the localized signal. Across experiments of increasing complexity, transport-only PLOT handles are exceedingly fast and competitive on accuracy, while PLOT-guided DAS reaches DAS-level accuracy at a fraction of full DAS runtime, providing an efficient localization engine for causal abstraction research at scale.
• Abstract（参考訳）: 因果抽象化は、機械論的解釈可能性のための原則化されたフレームワークを提供し、反実的介入分析を通じてニューラルネットワークによって実現される低レベルな計算と高レベルな因果モデルを整列する。 分散アライメントサーチ(DAS)のような既存の手法では、表現力のあるサブスペース介入を学習するが、関連するニューラルネットワークサイトは未定であり、ハンドリングを見つけるには、候補サイトに対する計算的に負担のかかる検索が必要である。 PLOT(Progressive Localization via Optimal Transport)は、抽象的および神経的介入の出力効果幾何学から因果変数を局所化するトランスポートベースのフレームワークである。 PLOTは抽象変数と候補神経部位の最適な輸送結合に適合し、干渉ハンドにキャリブレーションできるグローバルなソフト対応をもたらす。 単純な設定では、個々のニューロン上の1つの結合が十分である。 より大きなモデルでは、PLOTは徐々に適用され、トークンやタイムステップ、層といった粗いサイトから座標群やPCAスパンといったより微細なサポートへと移動し、また、任意に局所化された信号に基づいてDASを誘導する。 一方、PLOT誘導DASは完全なDASランタイムのごく一部でDASレベルの精度に達し、大規模な因果的抽象化研究のための効率的なローカライゼーションエンジンを提供する。

関連論文リスト

• SAND: Spatially Adaptive Network Depth for Fast Sampling of Neural Implicit Surfaces [91.71563221166417]
  入射神経表現は幾何学的モデリングには強力であるが、その実用性は高い計算コストによって制限されることが多い。 本稿では,空間適応型ネットワーク深度を用いた効率的なニューラル暗黙的幾何表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-15T14:14:17Z)
• Multi-Robot Trajectory Planning via Constrained Bayesian Optimization and Local Cost Map Learning with STL-Based Conflict Resolution [1.6243762297989983]
  本稿では,信号時間論理(STL)仕様の下でのマルチロボット動作計画にキノダイナミック制約を適用した。 サンプルベースオンライン学習と正式なSTL推論を組み合わせた2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-06T00:03:18Z)
• Local adapt-then-combine algorithms for distributed nonsmooth optimization: Achieving provable communication acceleration [50.67878993903822]
  通信効率のよいAdapt-Then-Combine (ATC) フレームワークであるFlexATCを提案する。 ローカル更新がATCベースの分散アルゴリズムの通信高速化につながることを示すのはこれが初めてである。
  論文  参考訳（メタデータ） (2026-02-18T02:47:05Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• ML-based identification of the interface regions for coupling local and nonlocal models [0.0]
  局所非局所カップリングアプローチは、局所モデルの計算効率と非局所モデルの精度を組み合わせる。 本研究では,局所モデルと非局所モデルを用いるべき領域を自動的に検出する機械学習アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-23T14:19:36Z)
• Efficient Neural Network Approaches for Conditional Optimal Transport with Applications in Bayesian Inference [1.740133468405535]
  D1450F4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 454545454545454545454545454545454545454545454545454545454545
  論文  参考訳（メタデータ） (2023-10-25T20:20:09Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Low-rank Optimal Transport: Approximation, Statistics and Debiasing [51.50788603386766]
  フロゼットボン2021ローランで提唱された低ランク最適輸送(LOT)アプローチ LOTは興味のある性質と比較した場合、エントロピー正則化の正当な候補と見なされる。 本稿では,これらの領域のそれぞれを対象とし,計算OTにおける低ランクアプローチの影響を補強する。
  論文  参考訳（メタデータ） (2022-05-24T20:51:37Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Locally induced Gaussian processes for large-scale simulation experiments [0.0]
  本稿では,ポイントの配置とその多さを病理学的に抑制できることを示す。 提案手法は,グローバルなインジェクションポイントとデータサブセットに基づく局所GP近似をハイブリダイズする。 計算効率のフロンティアにおいて,局所誘導点がグローバルおよびデータサブセットの構成要素を拡張していることを示す。
  論文  参考訳（メタデータ） (2020-08-28T21:37:46Z)

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。