論文の概要: Automatic, Debiased, and Invariant Counterfactual Generation under General Interventions

• arxiv url: http://arxiv.org/abs/2606.07399v1
• Date: Fri, 05 Jun 2026 15:40:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.830151
• Title: Automatic, Debiased, and Invariant Counterfactual Generation under General Interventions
• Title（参考訳）: 汎用的介入による自動的, 劣化的, 不変な反事実生成
• Authors: Raphael C Kim, Jingsen Zhu, Ramin Zabih, Michele Santacatterina,
• Abstract要約: ADIGenは、一般的な介入の下で自動的で不偏で不変な反ファクト生成のためのフレームワークである。 ADIGenは、製品バイアスのニュアンスと環境にまたがる不変リスクを伴って、一般的な介入の下での対実リスクを制御している。
• 参考スコア（独自算出の注目度）: 7.1743353314344835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models for counterfactual outcomes have great potential to support decision-making under complex interventions, but existing approaches are limited by unstable estimation, poor generalization across environments, and bias from nuisance model misspecification. We introduce ADIGen, a framework for automatic, debiased, and invariant counterfactual generation under general interventions, including high-dimensional interventions and outcomes. ADIGen combines Riesz regression to avoid unstable density-ratio estimation, causal invariance to improve generalization under distribution shift, and orthogonal statistical learning to obtain doubly robust guarantees against nuisance model misspecification. We provide excess-risk bounds showing that ADIGen controls counterfactual risk under general interventions, with a product-bias nuisance remainder and an invariant risk bound across environments.
• Abstract（参考訳）: 対実結果の生成モデルは、複雑な介入の下で意思決定を支援する大きな可能性を持っているが、既存のアプローチは不安定な推定、環境間の一般化の欠如、ニュアンスモデルの不特定からの偏見によって制限されている。 ADIGenは、高次元の介入や結果を含む一般的な介入の下で、自動的、疎外的、不変な反ファクト生成のためのフレームワークである。 ADIGenは、Riesz回帰を組み合わせ、不安定な密度比推定、因果不変性、分布シフトによる一般化の改善、直交統計学習を組み合わせ、ニュアンスモデルの不特定に対する二重頑健な保証を得る。 我々は,ADIGenが製品バイアスの残余と環境全体に拘束される不変リスクを伴って,一般介入による対実リスクをコントロールしていることを示す過剰リスク境界を提供する。

関連論文リスト

• Evaluation without Generation: Non-Generative Assessment of Harmful Model Specialization with Applications to CSAM [24.60847002212009]
  本稿では,LoRA適応器が潜在アンサンブルに対する応答を測定することでモデルの内部表現を摂動させる手法であるGaussian Probingを紹介する。 子どもの性的虐待に特有なモデルを検出することを含む,高リスク領域における有効性を示す。 以上の結果から,ガウス探索は高リスク生成システムを評価するためのスケーラブルな非生成的代替手段を提供することが示された。
  論文  参考訳（メタデータ） (2026-04-28T01:54:25Z)
• SHARP: Social Harm Analysis via Risk Profiles for Measuring Inequities in Large Language Models [0.5599792629509229]
  本稿では,リスクプロファイルを用いた社会的ハーム分析について紹介する。 同様の平均リスクを持つモデルでは、尾の露出とボラティリティの2倍以上の違いが示される。
  論文  参考訳（メタデータ） (2026-01-29T03:54:25Z)
• CURVE: Learning Causality-Inspired Invariant Representations for Robust Scene Understanding via Uncertainty-Guided Regularization [30.613712415224473]
  CURVEは、変動不確実性モデリングと不確実性誘導構造正規化を統合し、高分散関係を抑制するフレームワークである。 具体的には,環境依存的変動から不変な相互作用力学を解離させ,スパースかつ領域安定なトポロジを促進させる。 実験により,CURVEをゼロショット転送と低データのsim-to-real適応で評価し,領域安定なスパーストポロジの学習能力を検証するとともに,分布シフト下でのリスク予測を支援するための信頼性の高い不確実性推定を行う。
  論文  参考訳（メタデータ） (2026-01-28T08:15:56Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
  我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。 我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。 車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Invariance Principle Meets Vicinal Risk Minimization [2.026281591452464]
  Invariant Risk Minimization (IRM)は、ドメイン不変の特徴を学習することでOODの一般化に取り組むことを目的としている。 ラベル一貫性を維持しつつデータセットの多様性を向上させるために,ドメイン共有セマンティックデータ拡張(SDA)モジュールを提案する。
  論文  参考訳（メタデータ） (2024-07-08T09:16:42Z)
• Domain Generalization without Excess Empirical Risk [83.26052467843725]
  一般的なアプローチは、一般化を捉え、ペナルティと共同で経験的リスクを最小化するために、データ駆動の代理ペナルティを設計することである。 我々は、このレシピの重大な失敗モードは、共同最適化における誤ったペナルティや難しさによる過度なリスクであると主張している。 我々は,この問題を解消するアプローチを提案し,経験的リスクと刑罰を同時に最小化する代わりに,経験的リスクの最適性の制約の下でのペナルティを最小化する。
  論文  参考訳（メタデータ） (2023-08-30T08:46:46Z)
• Causality-oriented robustness: exploiting general noise interventions [4.64479351797195]
  本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。 DRIGはトレーニングデータにおける一般的なノイズ介入を利用して、目に見えない介入に対する堅牢な予測を行う。 我々のフレームワークには特別なケースとしてアンカー回帰が含まれており、より多様な摂動から保護される予測モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-07-18T16:22:50Z)
• Mitigating multiple descents: A model-agnostic framework for risk monotonization [84.6382406922369]
  クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。 本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:41:40Z)
• Benign Underfitting of Stochastic Gradient Descent [72.38051710389732]
  本研究では,適切な学習データを得ることで,一般化性能を実現する「従来型」学習ルールとして,勾配降下度(SGD)がどの程度理解されるかを検討する。 類似現象が起こらない近縁な交換SGDを解析し、その集団リスクが実際に最適な速度で収束することを証明する。
  論文  参考訳（メタデータ） (2022-02-27T13:25:01Z)
• Posterior Differential Regularization with f-divergence for Improving Model Robustness [95.05725916287376]
  クリーン入力とノイズ入力のモデル後部差を規則化する手法に着目する。 後微分正則化を$f$-divergencesの族に一般化する。 実験の結果, 後方微分を$f$-divergenceで正規化することで, モデルロバスト性の向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-10-23T19:58:01Z)
• The Risks of Invariant Risk Minimization [52.7137956951533]
  不変リスク最小化(Invariant Risk Minimization)は、データの深い不変性を学ぶという考え方に基づく目標である。 我々は、IRMの目的に基づく分類の最初の分析と、最近提案されたこれらの代替案について、かなり自然で一般的なモデルで分析する。 IRMは、テストデータがトレーニング分布と十分に類似していない限り、破滅的に失敗する可能性がある。
  論文  参考訳（メタデータ） (2020-10-12T14:54:32Z)

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。