論文の概要: Iterative Causal Discovery: Per-Edge Impossibility Certificates, Tier-Aware Oracle Queries, and the $1+K$ Lower Bound
- arxiv url: http://arxiv.org/abs/2605.27477v1
- Date: Tue, 26 May 2026 12:01:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.360787
- Title: Iterative Causal Discovery: Per-Edge Impossibility Certificates, Tier-Aware Oracle Queries, and the $1+K$ Lower Bound
- Title（参考訳）: Iterative Causal Discovery: エッジ毎の不合理性証明書, ティアアウェアなOracleクエリ, および1+K$の低価格バウンド
- Authors: Eichi Uehara,
- Abstract要約: 因果発見アルゴリズムは有向グラフを返すが、データによって識別されるエッジ方向と、識別された仮定なしで割り当てられたエッジ方向を区別する原則的な手段は提供しない。
本稿では,各候補エッジに個別の不確実性証明を添付した連続データに対する観測因果発見プロトコルを提案する。
2つのオラクルプリミティブ、メタハブクエリとノードチャイルドクエリは、DAGを回復するのに十分な1+K$のエキスパートインタラクションの上限を共同で確立する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal-discovery algorithms return a directed graph, yet provide no principled means of distinguishing edge directions identified by the data from those assigned without an identifying assumption. Under the standard Markov and faithfulness conditions, the observational distribution identifies only a Markov equivalence class; orientations within that class are not determined by the joint distribution and cannot be recovered from additional samples alone, but require either a functional restriction or an intervention. We introduce a protocol for observational causal discovery on continuous data that attaches to each candidate edge a discrete impossibility certificate: a RESOLVED code records the identifiability theorem under which the direction was committed, while an IMPOSSIBLE code records the failure mode together with the specific question a domain expert must answer to resolve it. The bivariate cascade is extended with five gated identifiability tiers LSNM, IGCI, Stein, MDL, and PEIT that abstain when their precondition test rejects. Two oracle primitives, the meta-hub query and the node-children query, jointly establish an upper bound of $1+K$ expert interactions sufficient to recover any DAG, where $K$ denotes the number of non-leaf vertices. Under an ideal-oracle assumption, the bound is met exactly on the asia, sachs, child, and alarm benchmarks.
- Abstract（参考訳）: 因果発見アルゴリズムは有向グラフを返すが、データによって識別されたエッジ方向と、特定された仮定なしで割り当てられたエッジ方向を区別する原則的な手段は提供しない。
標準的なマルコフと忠実な条件の下では、観測分布はマルコフ同値類のみを識別し、そのクラス内の配向は結合分布によって決定されず、追加のサンプルからのみ回収することはできないが、機能的な制限や介入を必要とする。
本稿では、各候補エッジに個別の不確実性証明を添付した連続データに対する観測因果発見プロトコルを提案する。RESOLVED符号は、その方向の特定可能性定理を記録し、IMPOSSIBLE符号は、ドメインの専門家がそれを解決するために答えなければならない特定の質問とともに、障害モードを記録する。
二変量カスケードは、プレコンディショニングテストが拒否されたときに停止するLSNM、IGCI、Stein、MDL、PEITの5つのゲート型識別性層で拡張される。
2つのオラクルプリミティブ、メタハブクエリとノードチャイルドクエリは、DAGを回復するのに十分な1+K$のエキスパートインタラクションの上限を共同で確立する。
理想的なオーラル仮定の下では、境界はアジア、サック、子供、アラームのベンチマークで正確に満たされる。
関連論文リスト
- Domain-Aware Hierarchical Contrastive Learning for Semi-Supervised Generalization Fault Diagnosis [49.89578655034085]
本稿では,障害診断のためのドメイン認識型階層的コントラスト学習(DAHCL)という統合フレームワークを提案する。
DAHCLは、ソースドメインの幾何学的特徴を捉え、異種ソースドメイン間の擬似ラベル予測を校正する。
また,動的信頼層化とファジィコントラスト監視を組み合わせた階層型コントラスト学習モジュールを開発した。
論文 参考訳（メタデータ） (2026-04-22T08:41:27Z) - AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。
AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。
これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
論文 参考訳（メタデータ） (2026-03-21T04:12:04Z) - Node-Level Uncertainty Estimation in LLM-Generated SQL [13.436696325103147]
本稿では,構造コンテナやエイリアスの変化を過小評価することなく,ノードレベルの正しさを割り当てるセマンティックなラベリングアルゴリズムを提案する。
私たちは、識別子の妥当性、エイリアス解決、型互換性、スコープのあいまいさ、タイポ信号といった、スキーマ認識と語彙の豊富な機能で、各ノードを表現します。
これらの確率は不確実性であると解釈し、クエリの誤りを正確に特定するきめ細かい診断を可能にする。
論文 参考訳（メタデータ） (2025-11-17T23:31:45Z) - Towards Multiple Missing Values-resistant Unsupervised Graph Anomaly Detection [10.061847825452677]
M$2$V-UGADは不完全グラフ上の複数の欠落値耐性非教師付きGADフレームワークである。
M$2$V-UGADは、既存の教師なしGAD法を、様々な欠落率で一貫して上回っている。
論文 参考訳（メタデータ） (2025-11-13T03:30:43Z) - 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) - DeCaFlow: A deconfounding causal generative model [48.86777554649186]
本稿では,分解因果生成モデルであるDeCaFlowを紹介する。
DeCaFlowの単一インスタンスがdo-calculusで識別可能なすべての因果クエリに対して正しい推定値を提供することを示す。
多様な設定に関する実証的な結果は、DeCaFlowが既存のアプローチよりも優れており、任意の因果グラフに適用可能であることを示している。
論文 参考訳（メタデータ） (2025-03-19T11:14:16Z) - SPADE: Semi-supervised Anomaly Detection under Distribution Mismatch [58.04518381476167]
SPADEは、分布ミスマッチを伴う幅広いシナリオにわたって、最先端の半教師付き異常検出性能を示す。
新しいタイプのラベルのない異常に直面したモデルなど、いくつかの一般的な現実世界設定では、SPADEは最先端の代替品を平均5%のAUCで上回っている。
論文 参考訳（メタデータ） (2022-11-30T23:39:11Z) - SIOD: Single Instance Annotated Per Category Per Image for Object
Detection [67.64774488115299]
画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。
WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。
SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
論文 参考訳（メタデータ） (2022-03-29T08:49:51Z) - SoQal: Selective Oracle Questioning for Consistency Based Active
Learning of Cardiac Signals [17.58391771585294]
臨床設定はしばしば、豊富なラベル付きデータと限られたラベル付きデータによって特徴づけられる。
この負担を軽減する方法の1つは、(a)取得と(b)情報のないインスタンスのアノテーションを含むアクティブラーニング(AL)を通じてである。
BALCはBALDのような最先端の獲得機能より優れており,SoQalはノイズの多いオラクルの存在下でもベースライン法より優れていることを示す。
論文 参考訳（メタデータ） (2020-04-20T18:20:03Z)
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。