論文の概要: CausalGuard: Conformal Inference under Graph Uncertainty

• arxiv url: http://arxiv.org/abs/2605.21928v1
• Date: Thu, 21 May 2026 02:56:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.066516
• Title: CausalGuard: Conformal Inference under Graph Uncertainty
• Title（参考訳）: CausalGuard: グラフの不確実性の下でのコンフォーマル推論
• Authors: Vikash Singh, Weicong Chen, Debargha Ganguly, Yanyan Zhang, Nengbo Wang, Sreehari Sankar, Mohsen Hariri, Alexander Nemecek, Chaoda Song, Shouren Wang, Biyao Zhang, Van Yang, Erman Ayday, Jing Ma, Vipin Chaudhary,
• Abstract要約: CausalGuardは、グラフ条件が二重に頑健な擬似アウトカムを集約した後、校正する構造重共役フレームワークである。 直接評価可能な目標に対して、名目90%以上の範囲を達成し、グラフに依存しない共形ベースラインが大きなパディングを必要とする場合、幅を小さくする。
• 参考スコア（独自算出の注目度）: 41.621090965517524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating treatment effects from observational data requires choosing an adjustment set, but valid adjustment depends on an unknown causal graph. Graph misspecification can cause under-coverage, while graph-agnostic conformal wrappers may regain nominal coverage only through large padding. We introduce CausalGuard, a structure-weighted conformal framework that calibrates after aggregating graph-conditional doubly robust pseudo-outcomes. Candidate DAGs are proposed from an LLM-derived edge prior, pruned by conditional-independence tests, and reweighted by Bayesian Information Criterion. A composite nonconformity score then calibrates the posterior-weighted pseudo-outcome. CausalGuard provides distribution-free finite-sample marginal coverage for this aggregated pseudo-outcome; under causal identification, overlap, conditional-mean nuisance stability, and concentration on target-aligned valid adjustment strategies, its conditional mean converges to the true Conditional Average Treatment Effect. Across five benchmarks, CausalGuard attains mean coverage above the nominal 90% level for the directly evaluable target and reduces width when graph-agnostic conformal baselines require large padding. Stress tests show that CausalGuard suppresses invalid collider adjustment and remains stable under misspecified priors when the retained candidate set is data-supported.
• Abstract（参考訳）: 観測データから治療効果を推定するには調整セットを選択する必要があるが、有効な調整は未知の因果グラフに依存する。 グラフの不特定は、カバー不足を引き起こすが、グラフに依存しないコンフォメーションラッパーは、大きなパディングによってのみ、名目上のカバレッジを取り戻すことができる。 CausalGuardは、グラフ条件が二重に頑健な擬似アウトカムを集約した後、校正する構造重共役フレームワークである。 候補DAGは, LLM由来のエッジから提案され, 条件付き独立性試験によりプルーニングされ, ベイズ情報基準により再重み付けされる。 複合非整合スコアは、後重み付き擬似アウトカムを校正する。 CausalGuardは、因果同定、重なり合い、条件平均ニュアンス安定性、および目標に整合した適切な調整戦略への集中の下で、その条件平均は真の条件平均処理効果に収束する。 5つのベンチマークで、CausalGuardは、直接評価可能なターゲットの90%以上の平均カバレッジを獲得し、グラフに依存しない共形ベースラインが大きなパディングを必要とする場合、幅を小さくする。 ストレステストにより、カウサルガードは不正なコライダー調整を抑え、保持された候補集合がデータ支持された際には、不特定前の条件下で安定していることが示された。

関連論文リスト

• Robust Conditional Conformal Prediction via Branched Normalizing Flow [20.92399096303012]
  キャリブレーションとテスト分布が同一であるという仮定の下で、限界カバレッジを持つコンフォーマルな予測構造が保証される。 分岐正規化フロー (BNF) は、テスト入力をキャリブレーション分布に正規化し、正規化された入力の予測セットをテスト分布に変換する2分岐アーキテクチャである。 BNFは、幅広い信頼レベルにわたる9つのデータセットの条件付きカバレッジの堅牢性を一貫して改善する。
  論文  参考訳（メタデータ） (2026-05-03T13:29:26Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Coverage Guarantees for Pseudo-Calibrated Conformal Prediction under Distribution Shift [1.5861469511290378]
  コンフォーマル予測は、データ分散がシフトした場合の限界カバレッジを保証する。 この性能損失に対処するためのツールとして擬似校正を用いた場合の分析を行う。 ハードな擬似ラベルとランダムなラベルを補間するソース調整擬似校正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-16T16:48:39Z)
• Leverage-Weighted Conformal Prediction [1.3537117504260623]
  分割共形予測は、有限サンプルの限界カバレッジを持つ分布のない予測間隔を提供する。 統計的レバレッジの関数により非整合性のスコアを重み付けするLevanage-Weighted Conformal Predictionを提案する。
  論文  参考訳（メタデータ） (2026-02-13T07:49:39Z)
• Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
  条件付きカバレッジ推定が分類問題であることを示す。 得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。 ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
  論文  参考訳（メタデータ） (2025-12-12T18:47:39Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)

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。