論文の概要: Causal Fisher-Information Inequalities: Classical Causal Model Falsification and Metrological Advantage
- arxiv url: http://arxiv.org/abs/2605.19198v1
- Date: Mon, 18 May 2026 23:56:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 01:01:02.795748
- Title: Causal Fisher-Information Inequalities: Classical Causal Model Falsification and Metrological Advantage
- Title（参考訳）: 因果的漁業情報不等式:古典的因果的モデル Falsification と Metrological Advantage
- Authors: Jeongho Bang, Su-Yong Lee,
- Abstract要約: 本研究では,非古典的気象学的行動の運用証人として,漁業情報不平等が有効であることを示す。
実験が古典的な因果モデルを受け入れると仮定すると、それに対応するフィッシャー情報は因果的フィッシャー情報不等式(CFII)に従わざるを得なくなる。
古典的なパス A to C to B$ を通じて伝播する加法的因果パラメータに対して、逆フィッシャー情報は情報抵抗として振る舞う。
- 参考スコア（独自算出の注目度）: 0.2578242050187029
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Fisher-information inequalities have recently been used as operational witnesses of nonclassical metrological behavior, but their physical meaning is often tied to a particular narrative, such as, segmented dynamics or discrete trajectories. We show that a broader interpretation is available and, in fact, more natural: once an experiment is assumed to admit a classical causal model specified by a directed acyclic graph, conditional independences, and modular parameter dependence, the corresponding Fisher informations are forced to obey causal Fisher-information inequalities (CFIIs). The backbone result is a causal-path series law: for an additive causal parameter that propagates through a classical path $A \to C \to B$, the inverse Fisher information behaves as an information resistance and must add in series. Consequently, any CFII violation is a rigorous falsification of the entire classical causal model class. We then show that the violation is automatically a metrological resource certificate, because it implies a precision that no member of the classical causal class can attain. The gain mechanism is identified as Fisher-information synergy, i.e. off-diagonal score correlations that classical modularity forbids. A single-qubit coherent-rotation example demonstrates the deterministic CFII violation, estimator-level achievability of the resulting gain, robustness against split-optimized classical benchmarks, and a chain-amplified advantage in long causal decompositions. Finally, an AI-assisted adversarial finite-data stress test shows that the witness remains certifiable under the realistic visibility loss and readout error, while optimized modular classical causal models saturate but do not cross the CFII frontier.
- Abstract（参考訳）: 漁業情報の不平等は、最近、非古典的な気象学的行動の運用証人として使われてきたが、その物理的意味はしばしば、セグメント化された力学や離散軌道のような特定の物語と結びついている。
実験が有向非巡回グラフ、条件付き独立性、およびモジュラーパラメータ依存によって指定された古典的因果モデルを受け入れると、対応するフィッシャー情報は因果的フィッシャー情報不等式(CFII)に従わざるを得なくなる。
古典パス$A \to C \to B$を伝播する付加因果パラメータの場合、逆フィッシャー情報は情報抵抗として振る舞う。
したがって、任意のCFII違反は古典的因果モデルクラス全体の厳密なファルシフィケーションである。
そして、この違反は、古典的な因果クラスのメンバーが到達できない精度を示すため、自動的に気象資源証明書であることが示される。
利得機構はフィッシャー情報相乗効果、すなわち古典的なモジュラリティが分岐する対角線外スコア相関として同定される。
単一量子コヒーレント回転例は、決定論的CFII違反、結果として得られる利得の推定値レベルの達成性、分割最適化された古典的ベンチマークに対する堅牢性、長い因果分解における連鎖増幅的優位性を示す。
最後に、AIによる対向有限データストレステストにより、目撃者は現実的な可視的損失と読み出し誤差の下で証明され、一方、最適化されたモジュラー古典因果モデルは飽和するが、CFIIフロンティアを越えないことを示す。
関連論文リスト
- Adversarial Stress Tests for Quantum Certification [0.0]
古典的なベンチマークの明らかな違反は、真の非古典的な振る舞いを示唆する必要はない。
マーチンゲールセーフな低信頼境界に基づくプロトコルに依存しないアライメント原理を定式化する。
適応学習に基づく古典的エージェントは許容可能な古典的集合を拡大しないことを示す。
論文 参考訳（メタデータ） (2026-03-13T03:49:58Z) - LLM-Assisted Causal Structure Disambiguation and Factor Extraction for Legal Judgment Prediction [4.655574344274635]
本稿では,大規模言語モデルと統計的因果探索を融合した拡張因果推論フレームワークを提案する。
提案手法は,予測精度とロバスト性の両方において,最先端のベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-03-12T02:14:16Z) - CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。
CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。
回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
論文 参考訳（メタデータ） (2026-02-23T18:06:15Z) - Evaluating and Enhancing the Vulnerability Reasoning Capabilities of Large Language Models [15.849480549367684]
本稿では,DAG生成タスクとして脆弱性推論をモデル化する新しいフレームワークであるDAGVulを提案する。
さらにReinforcement Learning with Verifiable Rewards (RLVR)を導入することで、モデル推論トレースをプログラム固有の論理と整合させる。
我々のフレームワークは、すべてのベースラインに対して平均18.9%の推論F1スコアを改善します。
論文 参考訳（メタデータ） (2026-02-06T13:19:45Z) - Towards Unsupervised Causal Representation Learning via Latent Additive Noise Model Causal Autoencoders [1.9732490977700972]
教師なし表現学習は、潜伏する生成因子を回復しようとする。
観測データから因果変数を遠ざけることは、監督なしでは不可能である。
本研究では、非教師付き発見のための強力な誘導バイアスとして、Latent Additive Noise Model Causal Autoencoder (LANCA)を提案する。
論文 参考訳（メタデータ） (2025-12-15T10:52:30Z) - Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders [16.682775063684907]
すべての因果モデルに対する因果推論における不確実性の利用について検討する。
構造的辺化を (i) 因果順序上の辺化と (ii) 順序を与えられた非巡回グラフ (DAG) に分解する。
本手法は, 擬似非線形付加雑音ベンチマークにおいて, 構造学習における最先端の手法より優れる。
論文 参考訳（メタデータ） (2024-02-22T18:39:24Z) - 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) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - Learning Causal Semantic Representation for Out-of-Distribution
Prediction [125.38836464226092]
因果推論に基づく因果意味生成モデル(CSG)を提案し,その2つの要因を別々にモデル化する。
CSGはトレーニングデータに適合させることで意味的因子を識別できることを示し、この意味的識別はOOD一般化誤差の有界性を保証する。
論文 参考訳（メタデータ） (2020-11-03T13:16:05Z) - CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。
CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
論文 参考訳（メタデータ） (2020-09-28T09:49:38Z)
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。