Fugu-MT 論文翻訳(概要): A Causal Foundation Model for Structure and Outcome Prediction

論文の概要: A Causal Foundation Model for Structure and Outcome Prediction

arxiv url: http://arxiv.org/abs/2606.26467v1
Date: Thu, 25 Jun 2026 00:02:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.116726
Title: A Causal Foundation Model for Structure and Outcome Prediction
Title（参考訳）: 構造とアウトカム予測のための因果的基礎モデル
Abstract要約: TabPFN-CFMは、観測データから因果構造と結果の両方を予測する。パールズ・コーサル・ヒエラルキー(Causal Hierarchy)の3つのレベルに関するクエリをサポートする。
参考スコア（独自算出の注目度）: 0.06999740786886537
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce TabPFN-CFM, a causal foundation model that can handle multiple causal problems. TabPFN-CFM predicts both causal structure and outcomes from observational data, supports queries on all three levels of Pearl's Causal Hierarchy and uses known graph structure when available to improve predictions. TabPFN-CFM is trained on synthetic datasets, and generalises to real datasets, demonstrating improved performance over both structural and outcome prediction baselines.
Abstract（参考訳）: 本稿では,複数の因果問題に対処可能な因果基盤モデルであるTabPFN-CFMを紹介する。 TabPFN-CFMは、観測データから因果構造と結果の両方を予測し、パールの因果階層(Causal Hierarchy)の3つのレベルのクエリをサポートし、予測を改善するために既知のグラフ構造を使用する。 TabPFN-CFMは、合成データセットに基づいてトレーニングされ、実際のデータセットに一般化される。

関連論文リスト

Foundation Models for Partial Causal Identification [17.688650273209085]
構造因果モデルの空間上での完全サポートにより、標準的事前定義が可能であることを示す。本稿では,データマップの関数上での学習分布に反事実を限定する問題を解き明かす。
論文参考訳（メタデータ） (2026-08-21T08:04:53Z)
DAG-FM: A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms [48.57846236686172]
因果発見を記憶する新しい基礎モデルアーキテクチャである textbfDAG-FM を提案する。直接行列予測とは異なり、DAG-FMは因果発見プロセスを2つの自己回帰段階に分解する。我々は,DAG-FMが,合成ベンチマークと複雑な実世界のデータセットの両方で最先端の性能を達成することを示す。
論文参考訳（メタデータ） (2026-07-13T13:00:06Z)
TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery [47.81267771630766]
因果発見基盤モデル(CDFM)は、データセットを単一前方パスの因果グラフに直接マッピングすることで、この問題を改善しようとしている。本研究では,多彩なグラフ事前学習を訓練したデータ駆動CDFMであるTabCausalを提案する。
論文参考訳（メタデータ） (2026-05-29T11:05:43Z)
Causal Pre-training Under the Fairness Lens: An Empirical Study of TabPFN [3.059960033014892]
Tabular Prior-data Fitted Network (TabPFN) とその微調整版の評価を行った。以上の結果から,TabPFNはベースラインに比べて高い予測精度を達成できるが,公平性の改善は適度で矛盾することがわかった。以上の結果から,TabPFNの因果前訓練はアルゴリズム的公平性には不十分であることが示唆された。
論文参考訳（メタデータ） (2026-01-25T17:17:12Z)
TabMixNN: A Unified Deep Learning Framework for Structural Mixed Effects Modeling on Tabular Data [0.0]
本稿では、従来の混合効果モデリングを現代のニューラルネットワークアーキテクチャで合成する、柔軟なPyTorchベースのディープラーニングフレームワークTabMixNNを提案する。本研究では,縦断データ解析,ゲノム予測,空間時間モデルへの応用を通じて,フレームワークの柔軟性を実証する。
論文参考訳（メタデータ） (2025-12-29T17:48:15Z)
Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
論文参考訳（メタデータ） (2025-03-10T07:05:07Z)
Revisiting Link Prediction: A Data Perspective [59.296773787387224]
グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
論文参考訳（メタデータ） (2023-10-01T21:09:59Z)
Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文参考訳（メタデータ） (2022-05-25T17:37:08Z)
BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文参考訳（メタデータ） (2022-01-28T09:30:32Z)
Uncovering Main Causalities for Long-tailed Information Extraction [14.39860866665021]
データセットの選択バイアスによって引き起こされる長い尾の分布は、誤った相関をもたらす可能性がある。これは、データの背後にある主な因果関係を明らかにすることを目的とした、新しいフレームワークである。
論文参考訳（メタデータ） (2021-09-11T08:08:24Z)

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。