論文の概要: Validating Causal Abstraction Metrics on Simulated Complex Systems
- arxiv url: http://arxiv.org/abs/2607.00267v1
- Date: Tue, 30 Jun 2026 23:30:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.66112
- Title: Validating Causal Abstraction Metrics on Simulated Complex Systems
- Title（参考訳）: シミュレーション複合システムにおける因果抽象化メトリクスの検証
- Abstract要約: 離散状態空間と連続状態空間の両方にまたがる10の複雑なシステムのベンチマークを導入する。
観察,機能,情報理論,因果関係から抽出された30以上の指標について検討した。
本研究は, 因果的抽象誤差(Causal Abstraction Error, CAE)を, 明示的忠実度テストによる連続的妥当性尺度として導入した。
- 参考スコア（独自算出の注目度）: 24.593253817483458
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: A central goal of science is to produce valid explanations of complex systems: high-level causal accounts that faithfully reflect the behavior of lower-level mechanisms. Yet no consensus exists on how to measure whether a proposed high-level explanation is actually valid. We introduce a benchmark of ten complex systems spanning both discrete and continuous state spaces, as well as static and dynamical regimes, each equipped with consensual ground-truth causal explanations and invalid contrastive conditions. Within a unified causal abstraction framework, we systematically evaluate over thirty candidate metrics drawn from observational, functional, information-theoretic, and causal families. Our results show that only the latter reliably discriminates valid from invalid abstractions, and only when incorporating faithfulness testing over unmapped variables. Building on these findings, we introduce the Causal Abstraction Error (CAE), a continuous validity metric with an explicit faithfulness test, which passes all discrimination tests across every system and can converge with as few as 30 sampled interventions. We offer it as a general-purpose metric for the discovery and validation of high-level explanations.
- Abstract（参考訳）: 科学の中心的な目的は、複雑なシステムの妥当な説明を作ることである: 下位レベルのメカニズムの振る舞いを忠実に反映する高レベルの因果関係のアカウント。
しかし、提案されたハイレベルな説明が実際に有効かどうかを測る方法に関する合意は存在しない。
離散状態空間と連続状態空間と静的状態と動的状態の両方にまたがる10の複雑なシステムのベンチマークを導入する。
統合因果抽象化フレームワークでは,観察,機能,情報理論,因果関係から抽出された30以上の指標を体系的に評価する。
本結果から,非マップ変数に対する忠実度テストを導入する場合にのみ,無効な抽象化から有効性を確実に識別できることが示唆された。
これらの結果に基づいて, 因果的抽象化誤差(CAE)を導入し, 明示的忠実度テストによる連続的妥当性尺度を導入し, 全システムにわたる識別テストに合格し, 最大30回のサンプル介入で収束できることを確認した。
ハイレベルな説明の発見と検証のための汎用的な指標として提案する。
関連論文リスト
- EarthVerse: Benchmarking Scientific Agents Across Dynamic Earth Systems and Natural Hazards [73.12811119273206]
我々は,包括的調査を通じて科学的エージェントを評価するベンチマークであるEarthVerseを紹介する。
エージェントは異種イベントパッケージを検査し、互換性のあるエビデンスを選択し、透過的な計算を実行し、ソース差を調整し、最終回答で証明を保存する。
システム全体では、平均回答ユニットの精度は84.65%であり、最も高いStrict@95は34.81%である。
論文 参考訳（メタデータ） (2026-08-24T17:29:16Z) - Evaluating Research-Level Math Proofs via Strict Step-Level Verification [0.1269104766024433]
大規模言語モデル(LLM)は、複雑な数学的証明の厳密な検証に苦慮している。
このフレームワークは、各推論ステップの詳細なコンテキストを維持し、適用定理のソースを厳格に制限する。
本研究は, エージェントに対して, 慎重な人-数学的な方法で検証ノートを整理するよう促すことによって, 厳密な証明を欠陥と区別する能力を大幅に向上させることを示唆している。
論文 参考訳（メタデータ） (2026-06-09T12:46:35Z) - Beyond Nodes vs. Edges: A Multi-View Fusion Framework for Provenance-Based Intrusion Detection [6.343815622517112]
PROVfusionは、証明に基づく侵入検知のための多視点異常融合フレームワークである。
軽量な融合スキームを通じて異種異常信号を融合し、投票ベースの統合プロセスを通じて最終的な異常決定を決定する。
広く使用されている9つのベンチマークエンティティデータセットの実験では、PROVfusionは単一ノードとエッジ中心のベースラインよりも高い検出精度と偽陽性率を実現する。
論文 参考訳（メタデータ） (2026-04-16T06:40:50Z) - Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。
この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
論文 参考訳（メタデータ） (2026-04-14T19:32:55Z) - 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) - Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。
本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2026-03-16T17:20:38Z) - A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。
最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。
そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
論文 参考訳（メタデータ） (2025-06-10T12:41:26Z) - 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) - A Versatile Causal Discovery Framework to Allow Causally-Related Hidden
Variables [28.51579090194802]
因果ネットワークの至る所で、因果関係の隠れ変数の存在を許容する因果発見のための新しい枠組みを提案する。
ランクに基づく潜在因果探索アルゴリズム(RLCD)を開発し、隠れ変数を効率よく探索し、その濃度を判定し、測定値と隠れ変数の両方に対して因果構造全体を発見する。
合成・実世界のパーソナリティデータセットを用いた実験結果から,有限サンプルケースにおける提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-12-18T07:57:39Z) - Nested Counterfactual Identification from Arbitrary Surrogate
Experiments [95.48089725859298]
観測と実験の任意の組み合わせからネスト反事実の同定について検討した。
具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
論文 参考訳（メタデータ） (2021-07-07T12:51:04Z)
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。