論文の概要: Falsifying Causal Graphs With Outlier Events

• arxiv url: http://arxiv.org/abs/2607.12145v1
• Date: Mon, 13 Jul 2026 20:51:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.964716
• Title: Falsifying Causal Graphs With Outlier Events
• Title（参考訳）: 外乱イベントによる因果グラフの偽造
• Abstract要約: 候補グラフが真の因果グラフであるという仮説に対する最初の統計的テストを示す。 誤った正の制御、誤った因果グラフに対する電力保証、単一の外れ値サンプルで動作可能であることを示す。
• 参考スコア（独自算出の注目度）: 6.527926874739627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: True causal relationships are rarely known, and inferring causal graphs from data is hard. A fundamental challenge is how to assess whether a given causal graph is good in the absence of a ground truth. We propose falsifying candidate causal graphs based on whether they can explain the propagation of an outlier event. Our approach leverages a key principle: weak outliers rarely cause strong ones. While this principle has previously been used in root cause analysis to identify root causes without prior knowledge of the graph, we turn it on its head and use it to falsify candidate causal graphs whose implied outlier propagation is inconsistent with the data. To this end, we present the first statistical tests for the hypothesis that a candidate graph is the true causal graph, and show they have false positive control, power guarantees against incorrect causal graphs, and can operate with a single outlier sample.
• Abstract（参考訳）: 真の因果関係はほとんど知られておらず、データから因果グラフを推測することは困難である。 根本的な課題は、ある因果グラフが基底真理の欠如において良いかどうかを評価することである。 フェース化候補因果グラフは,外乱事象の伝播を説明できるかどうかに基づいて提案する。 私たちのアプローチでは重要な原則が活用されています。 この原理は、以前にも根本原因分析において、グラフの事前の知識なしに根本原因を識別するために用いられてきたが、我々はそれを頭上に回して、データと矛盾しない帰属的伝播を示す候補因果グラフのファルシフィケーションに利用した。 そこで本研究では,候補グラフが真の因果グラフであるという仮説に対する最初の統計的検証を行い,正の誤った正の制御,不正因果グラフに対するパワー保証,そして1つの外れ値サンプルで操作可能であることを示す。

関連論文リスト

• Root Cause Analysis of Outliers in Unknown Cyclic Graphs [7.33673561186158]
  摂動が十分に強いと仮定して、潜在的な根本原因の短いリストを特定できることを示す。 このショートリストは、真の根本原因と、その親が根本原因のサイクルに横たわる原因から成り立っている。
  論文  参考訳（メタデータ） (2025-10-08T13:19:01Z)
• Root Cause Analysis of Outliers with Missing Structural Knowledge [14.28002402145387]
  根本原因解析(RCA)の目的は,断層の起点を特定することによって異常が発生した理由を説明することである。 本稿では,1つの根本原因と因果グラフがポリツリーである場合に,両方の困難を克服するための単純かつ効率的な手法を提案する。
  論文  参考訳（メタデータ） (2024-06-07T15:24:38Z)
• Causal Discovery with Fewer Conditional Independence Tests [15.876392307650248]
  我々の研究は、条件付き独立テストの数を減らすことで、基礎となる因果グラフについて何が学べるかを特徴づけることに重点を置いている。 隠れ因果グラフの粗い表現を多数のテストで学習できることを示す。 その結果,本研究では,多数のテストで真の因果グラフを復元するアルゴリズムを初めて提案した。
  論文  参考訳（メタデータ） (2024-06-03T22:27:09Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• Toward Falsifying Causal Graphs Using a Permutation-Based Test [11.826804773695033]
  既存のメトリクスは、グラフと観測データの間の不整合の数に対して$textitabsolute$を提供する。 本稿では,ノード置換によるベースライン構築による新しい一貫性指標を提案する。 基準線上のものとの不整合の数を比較することにより、解釈可能な計量を導出する。
  論文  参考訳（メタデータ） (2023-05-16T16:02:18Z)
• CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
  グラフ上での対実的説明生成の問題について検討する。 グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。 本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
  論文  参考訳（メタデータ） (2022-10-16T04:35:32Z)
• Counterfactual Fairness with Partially Known Causal Graph [85.15766086381352]
  本稿では,真の因果グラフが不明な場合に,対実フェアネスの概念を実現するための一般的な手法を提案する。 特定の背景知識が提供されると、正の因果グラフが完全に知られているかのように、反ファクト的公正性を達成することができる。
  論文  参考訳（メタデータ） (2022-05-27T13:40:50Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)
• Fuzzy Stochastic Timed Petri Nets for Causal properties representation [68.8204255655161]
  因果関係はしばしば有向グラフで表され、原因を示すノードと因果関係を表すリンクがある。 因果シナリオをグラフィカルに表現するために使われる一般的な方法は、ニューロン、真理表、因果ベイズネットワーク、認知地図、ペトリネットである。 従来のモデルは、前述のプロパティのいくつかを別々に表現できるが、それら全てをはっきりと説明しようとはしないことを示す。
  論文  参考訳（メタデータ） (2020-11-24T13:22:34Z)
• Uncertainty Weighted Causal Graphs [0.0]
  因果関係は伝統的に、影響に関係して知識を生み出す科学的方法であった。 引用グラフにおける不確実性の管理を確率論的に改善することで、グラフの不確実性をさらにモデル化しようと試みる。
  論文  参考訳（メタデータ） (2020-02-02T16:32:04Z)

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。