論文の概要: Causal Algorithmic Recourse: Foundations and Methods

• arxiv url: http://arxiv.org/abs/2605.11373v1
• Date: Tue, 12 May 2026 00:55:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.499545
• Title: Causal Algorithmic Recourse: Foundations and Methods
• Title（参考訳）: Causal Algorithmic Recourse:の基礎と方法
• Authors: Drago Plecko, Collin Wang, Elias Bareinboim,
• Abstract要約: AIシステムの主な特徴は、個人が否定的な決定を覆す方法のレコメンデーションを提供する能力である。 既存のアプローチでは、recourseの結果を固定単位の反事実として扱う。 我々は、事前および事後結果のプロセスとして、会話をモデル化する因果的枠組みを開発する。
• 参考スコア（独自算出の注目度）: 57.73269033551628
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The trustworthiness of AI decision-making systems is increasingly important. A key feature of such systems is the ability to provide recommendations for how an individual may reverse a negative decision, a problem known as algorithmic recourse. Existing approaches treat recourse outcomes as counterfactuals of a fixed unit, ignoring that real-world recourse involves repeated decisions on the same individual under possibly different latent conditions. We develop a causal framework that models recourse as a process over pre- and post-intervention outcomes, allowing for partial stability and resampling of latent variables. We introduce post-recourse stability conditions that enable reasoning about recourse from observational data alone, and develop a copula-based algorithm for inferring the effects of recourse under these conditions. For settings where paired observations of the same individual before and after intervention are available (called recourse data), we develop methods for inferring copula parameters and performing goodness-of-fit testing. When the copula model is rejected, we provide a distribution-free algorithm for learning recourse effects directly from recourse data. We demonstrate the value of the proposed methods on real and semi-synthetic datasets.
• Abstract（参考訳）: AI意思決定システムの信頼性はますます重要になっている。 このようなシステムの鍵となる特徴は、個人がネガティブな決定を逆転させる方法のレコメンデーションを提供する能力である。 既存のアプローチでは、現実のリコースは、潜在的に異なる潜伏条件下で同じ個人に対して繰り返される決定を伴うことを無視して、リコースの結果を固定単位の反ファクトアルとして扱う。 我々は、事前および後処理の結果のプロセスとしてリコースをモデル化し、部分的な安定性と潜伏変数の再サンプリングを可能にする因果的枠組みを開発する。 本研究では,観測データのみからリコースの推論を可能にするポスト・リコース安定性条件を導入し,これらの条件下でのリコースの効果を推定するためのコプラに基づくアルゴリズムを開発した。 介入前と介入後の同一人物のペア観察が可能な設定(recourse data)では、コプラパラメーターを推定し、適合性試験を行う方法を開発する。 コプラモデルが拒否された場合、リコースデータから直接リコース効果を学習するための分布自由なアルゴリズムを提供する。 提案手法の有効性を実データと半合成データに示す。

関連論文リスト

• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• Sensitivity-Aware Amortized Bayesian Inference [8.753065246797561]
  感度分析は、様々なモデリング選択が統計的分析の結果に与える影響を明らかにする。 ニューラルネットワークを用いたシミュレーションベース推論に感度解析を統合するための多面的アプローチである感性認識型ベイズ推論(SA-ABI)を提案する。 本稿では,本手法が病気発生のダイナミクスや地球温暖化のしきい値から人的意思決定に至るまで,応用モデリング問題における有効性を示す。
  論文  参考訳（メタデータ） (2023-10-17T10:14:10Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• Algorithmic Recourse in Partially and Fully Confounded Settings Through Bounding Counterfactual Effects [0.6299766708197883]
  アルゴリズムリコースは、自動意思決定システムからより好ましい結果を得るために、個人に実行可能なレコメンデーションを提供することを目的としている。 既存の手法では,データから学習した因果モデルを用いて,隠れたコンバウンディングや付加雑音などの仮定をモデル化する手法が提案されている。 本稿では、これらの仮定を緩和し、観測不能な共役および任意の構造方程式を可能にする離散確率変数に対する別のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-22T15:07:49Z)

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。