論文の概要: Unsupervised Causal Abstractions Discovery

• arxiv url: http://arxiv.org/abs/2606.19594v1
• Date: Wed, 17 Jun 2026 20:56:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.538831
• Title: Unsupervised Causal Abstractions Discovery
• Title（参考訳）: 教師なし因果抽象化発見
• Authors: Théo Saulus, Simon Lacoste-Julien, Dhanya Sridhar,
• Abstract要約: 高レベルの構造因果モデルが低レベルのSCMの介入挙動を捉えると、因果抽象化が形式化する。 低レベルの測定から,高レベルのモデルを直接学習する際の相補的な問題について検討する。
• 参考スコア（独自算出の注目度）: 14.450590098991329
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal abstractions formalize when a high-level structural causal model (SCM) captures the interventional behavior of a lower-level SCM. Existing applications of this notion largely follow a hypothesis-testing paradigm: an expert proposes a candidate high-level model and then evaluates if the low-level system implements it. We study the complementary problem of learning a high-level model directly from low-level measurements. Our contributions leverage hypotheses from low-rank causal discovery, and can be summarized as follows: (1) we show that observations generated by a low-rank graph induce latents that form a causal abstraction, (2) we provide identifiability results about these latents, and (3) we propose a practical objective to learn this high-level SCM.
• Abstract（参考訳）: 高レベルの構造因果モデル(SCM)が低レベルのSCMの介入挙動を捉えると、因果抽象化が形式化する。 この概念の既存の応用は主に仮説テストのパラダイムに従っており、専門家が候補の高いモデルを提案し、低レベルのシステムがそれを実装するかどうかを評価する。 低レベルの測定から,高レベルのモデルを直接学習する際の相補的な問題について検討する。 我々は, 低ランクな因果発見の仮説を利用して, 1) 低ランクなグラフによって生成された観測結果が因果的抽象を形成する潜伏者を誘導すること, (2) これらの潜伏者に関する識別可能性の結果を提供すること, 3) 高レベルなSCMを学習するための実践的な目的を提案する。

関連論文リスト

• Position: Anthropomorphic Misalignment Research Needs Stronger Evidence [52.76826423649968]
  概念的曖昧さ,非ロバストデータセット,実験設計,不十分な因果的介入が,モデル行動の過度な解釈につながることを示す。 本研究の目的は,AMRの方法論的厳密性向上に寄与する明らかな考察のガイダンスを提供することである。
  論文  参考訳（メタデータ） (2026-05-29T16:38:53Z)
• Causal Abstraction Inference under Lossy Representations [53.18851962820361]
  我々は、既存の定義を一般化して損失表現に適合させる、投影抽象化と呼ばれる新しいタイプの抽象化を導入する。 低レベルモデルから投影された抽象化を構築する方法と、それと等価な観察的、介入的、および反ファクト的因果クエリを低レベルから高レベルに翻訳する方法を示す。
  論文  参考訳（メタデータ） (2025-09-25T21:20:42Z)
• Controllable Logical Hypothesis Generation for Abductive Reasoning in Knowledge Graphs [54.596180382762036]
  知識グラフの帰納的推論は、観測された実体からもっともらしい論理的仮説を生成することを目的としている。 可制御性の欠如により、単一の観測は、多くの妥当だが冗長あるいは無関係な仮説をもたらす可能性がある。 帰納的推論の実用性を改善するために,制御可能な仮説生成タスクを導入する。
  論文  参考訳（メタデータ） (2025-05-27T09:36:47Z)
• Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
  ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。 モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。 因果関係はこれらの課題を体系的に解決するための 理想的な枠組みを提供します
  論文  参考訳（メタデータ） (2025-02-07T17:01:37Z)
• Learning Causal Abstractions of Linear Structural Causal Models [18.132607344833925]
  因果抽象化(Causal Abstraction)は、2つの構造因果モデルを異なるレベルの詳細で定式化するフレームワークを提供する。 線形抽象関数を持つ線形因果モデルに対する両問題に対処する。 特にAbs-LiNGAMは,学習された高レベルモデルと抽象関数によって引き起こされる制約を利用して,より大規模な低レベルモデルの回復を高速化する手法である。
  論文  参考訳（メタデータ） (2024-06-01T10:42:52Z)
• Finding Alignments Between Interpretable Causal Variables and Distributed Neural Representations [62.65877150123775]
  因果抽象化は、説明可能な人工知能のための有望な理論的枠組みである。 既存の因果抽象法では、高レベルモデルと低レベルモデルの間のアライメントをブルートフォースで探索する必要がある。 これらの制約を克服する分散アライメントサーチ(DAS)を提案する。
  論文  参考訳（メタデータ） (2023-03-05T00:57:49Z)

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。