論文の概要: Solution of the Hempel's statistical ambiguity problem and Causal AI
- arxiv url: http://arxiv.org/abs/2607.12826v1
- Date: Tue, 14 Jul 2026 14:44:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.173365
- Title: Solution of the Hempel's statistical ambiguity problem and Causal AI
- Title（参考訳）: ヘンペルの統計的あいまいさ問題と因果AIの解法
- Abstract要約: 本稿ではカール・ヘンペルの帰納的統計的推論における統計的曖昧性の長年の問題に対処する。
我々はナンシー・カートライト(Nancy Cartwright)が定義した、背景のコンテキストにまたがる確率を高める原因を定義し、因果規則(Causal Rules)の概念を導入する。
統計的に関係のある情報をすべて取り入れることで、これらの因果規則を漸進的に洗練する特別な意味確率的推論手順を定義する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper addresses Carl Hempel's longstanding problem of statistical ambiguity in inductive-statistical inference, in which contradictory predictions are derived from statistical laws. To avoid such predictions, Carl Hempel proposed the Requirement of Maximal Specificity (RMS) for the statistical laws used in the inference. An analysis of the RMS refinements made by Wesley Salmon, Alberto Coffa, and James Fetzer led to the following definition of maximally specific statistical laws: "the lawlike premises of an adequate explanation must specify all and only those properties whose presence or absence made a difference to the occurrence of its explanandum-phenomenon." However, there was no proof of a solution to the statistical ambiguity problem based on this definition. We use Nancy Cartwright's definition of causes that raise probabilities across background contexts, and then introduce the concept of Causal Rules. Then we define a special semantic probabilistic inference procedure that incrementally refines these causal rules by incorporating all statistically relevant information. This procedure yields Maximally Specific Causal Relationships (MSCRs), for which we prove (Theorem 1) that predictions derived from them are consistent. This resolves the statistical ambiguity problem. The semantic probabilistic inference procedure provides a probabilistic causal learning system, which may be used in such new areas as Causal AI and Causal Machine Learning. They fundamentally explore causal inference as a tool for understanding cause-and-effect relationships within complex systems. Properties similar to RMS remain under discussion. Several notions related to RMS are considered: invariant feature learning, invariant causal prediction, and spurious association.
- Abstract（参考訳）: 本稿では、カール・ヘンペルの帰納的統計的推論における統計的曖昧性の長年の問題に対処し、矛盾する予測は統計法則から導かれる。
このような予測を避けるため、カール・ヘンペルは推論に使用される統計法則の最大特異性要件(RMS)を提案した。
ウェズリー・サーモン(英語版)、アルベルト・コファ(英語版)、ジェームズ・フェッツァー(英語版)によるRMSの改良に関する分析は、「適切な説明の法則のような前提は、その説明-フェノメノンの発生に違いをもたらした全ての性質とそれらの性質を規定しなければならない。
しかし、この定義に基づく統計的曖昧性問題に対する解の証拠は存在しなかった。
我々はナンシー・カートライト(Nancy Cartwright)が定義した、背景のコンテキストにまたがる確率を高める原因を定義し、因果規則(Causal Rules)の概念を導入する。
そして、統計的に関係のある全ての情報を組み込んで、これらの因果規則を漸進的に洗練する特別な意味確率推論手順を定義する。
この手順は最大特異因果関係(MSCR)を導出し、そこから導かれる予測が一貫したことを証明する(Theorem 1)。
これは統計的曖昧さを解消する。
セマンティック確率論的推論は確率論的因果学習システムを提供し、Causal AIやCausal Machine Learningのような新しい領域で使用することができる。
彼らは、複雑なシステム内の因果関係を理解するためのツールとして、因果推論を根本的に探求する。
RMSに類似した特性については現在も議論が続けられている。
RMSに関連するいくつかの概念は、不変特徴学習、不変因果予測、および刺激的関連であると考えられている。
関連論文リスト
- LLM-Assisted Causal Structure Disambiguation and Factor Extraction for Legal Judgment Prediction [4.655574344274635]
本稿では,大規模言語モデルと統計的因果探索を融合した拡張因果推論フレームワークを提案する。
提案手法は,予測精度とロバスト性の両方において,最先端のベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-03-12T02:14:16Z) - CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。
CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。
回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
論文 参考訳（メタデータ） (2026-02-23T18:06:15Z) - The Dead Salmons of AI Interpretability [9.722180905657268]
AIの解釈可能性では、同様の'デッド・サーモン'アーティファクトの報告が増えている。
我々は現実的な統計的因果リフレーミングを主張する。
論文 参考訳（メタデータ） (2025-12-21T16:07:44Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - Reinterpreting causal discovery as the task of predicting unobserved
joint statistics [15.088547731564782]
我々は因果発見が、観測されていない関節分布の性質を推測するのに役立つと論じている。
入力が変数のサブセットであり、ラベルがそのサブセットの統計的性質である学習シナリオを定義する。
論文 参考訳（メタデータ） (2023-05-11T15:30:54Z) - Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。
本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
論文 参考訳（メタデータ） (2023-05-09T09:08:39Z) - Formalizing Statistical Causality via Modal Logic [0.8103046443444949]
因果効果を表現するための統計的因果言語(StaCL)を定義した。
StaCLは統計的因果推論の正確性を特定するのに使うことができる。
論文 参考訳（メタデータ） (2022-10-30T06:12:39Z) - Bounding Counterfactuals under Selection Bias [60.55840896782637]
本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。
選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
論文 参考訳（メタデータ） (2022-07-26T10:33:10Z) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳（メタデータ） (2021-06-14T17:52:49Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳（メタデータ） (2020-11-04T10:25:13Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳（メタデータ） (2020-11-04T10:00:27Z)
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。