論文の概要: Causal Modeling of Selection in Evolution

• arxiv url: http://arxiv.org/abs/2606.05689v1
• Date: Thu, 04 Jun 2026 04:16:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.551558
• Title: Causal Modeling of Selection in Evolution
• Title（参考訳）: 進化における選択の因果モデリング
• Authors: Haoyue Dai, Zeyu Tang, Peter Spirtes, Kun Zhang,
• Abstract要約: 共通の物語における「選択」には、静的選択と進化選択という2つの形態があると主張する。 既存の方法はこれらの2つの形式を概ね説明し、同じグラフィカルな選択モデルに依存している。 このモデルは静的な設定に有効であるが、進化中のデータの特徴付けに失敗し、誤った発見結果が得られることを示す。 進化的選択を特に特徴付ける新しいモデルを導入し、1つまたは複数の環境や世代にわたるデータからそのようなモデルを識別するための健全で完全な手順を開発する。
• 参考スコア（独自算出の注目度）: 15.226308484865825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding potential selection in data is crucial for causal discovery; we argue that "selection" in common narratives takes two forms, which we term static and evolutionary selection, respectively. Static selection refers to a one-shot filtering process where observed data consist of a subset of the population of interest, as in survey volunteer bias. Evolutionary selection, in contrast, operates through repeated rounds of differential fitness in reproduction, where observed data constitute the latest generation shaped by a historical trajectory, as in immune adaptation, antibiotic resistance, and social norm emergence. Existing methods largely conflate these two forms and rely on an identical graphical model of selection. We show that this model is valid for static settings but fails to characterize data under evolution, yielding false discovery results. To address this, we introduce a new model that specifically characterizes evolutionary selection, and develop a sound and complete procedure for identifying such models from data across one or multiple environments or generations. Experimental results validate the method's ability to uncover the relevant mechanisms underlying evolution from data.
• Abstract（参考訳）: データにおける潜在的選択を理解することは因果発見に不可欠であり、共通の物語における「選択」には2つの形式があり、それぞれ静的選択と進化選択と呼ばれる。 静的選択は、調査ボランティアバイアスのように、観察されたデータが関心の集団のサブセットから構成されるワンショットフィルタリングプロセスを指す。 対照的に、進化的選択は、再現における微分適合性の繰り返しのラウンドを通し、観察されたデータは、免疫適応、抗生物質耐性、社会規範の出現など、歴史的な軌道によって形作られた最新の世代を構成する。 既存の方法はこれらの2つの形式を概ね説明し、同じグラフィカルな選択モデルに依存している。 このモデルは静的な設定に有効であるが、進化中のデータの特徴付けに失敗し、誤った発見結果が得られることを示す。 そこで本研究では,進化的選択を特に特徴付ける新しいモデルを導入し,複数の環境や世代にまたがるデータから,そのようなモデルを識別するための健全で完全な手順を開発する。 実験結果は、データから進化の基盤となる関連メカニズムを明らかにする方法の能力を検証する。

関連論文リスト

• Stabilizing black-box model selection with the inflated argmax [8.52745154080651]
  理論的安定性を保証するモデル選択を安定化する新しい手法を提案する。 提案手法では,データに適合するモデルの小さなコレクションを選択し,高い確率で任意のトレーニングポイントを除去すると,元のコレクションと重なる選択されたモデルのコレクションが生成される。
  論文  参考訳（メタデータ） (2024-10-23T20:39:07Z)
• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
  Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。 4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-29T02:35:23Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Self-contained Beta-with-Spikes Approximation for Inference Under a Wright-Fisher Model [0.0]
  right-Fisherモデル内での進化的パラメータの信頼性の高い推定を行う。 本手法は,アレル周波数分布に対するβ-with-Spikes近似に基づく解析手法である。
  論文  参考訳（メタデータ） (2023-03-08T16:32:10Z)
• Improving Faithfulness in Abstractive Summarization with Contrast Candidate Generation and Selection [54.38512834521367]
  モデル非依存後処理技術としてのコントラスト候補生成と選択について検討する。 代替候補要約を生成して判別補正モデルを学習する。 このモデルを使用して、最終的な出力サマリーとして最適な候補を選択する。
  論文  参考訳（メタデータ） (2021-04-19T05:39:24Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。