論文の概要: CDS: Counterfactual Directionality Score for Structured Interventions in Spatial Graphs

• arxiv url: http://arxiv.org/abs/2607.13508v1
• Date: Wed, 15 Jul 2026 07:02:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.677361
• Title: CDS: Counterfactual Directionality Score for Structured Interventions in Spatial Graphs
• Title（参考訳）: CDS:空間グラフにおける構造化介入のための実測方向スコア
• Abstract要約: 本稿では,ノード間の指向性の影響を推定するために,グラフベースモデルにおける非実効的介入を構造化するフレームワークを提案する。 我々の手法は、近隣地域からノード状態を予測するために、Nighbor Influence Model (NIM) を訓練する。 我々は,目標摂動による予測ノード状態の変化を計測するCDS(Conserfactal Directionality Score)を定義した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantifying directional influence between node populations is a fundamental problem in graph-based modeling, particularly in spatial biological systems where cell-cell interactions shape functional outcomes. Existing approaches based on attention, attribution, or correlation capture associations but do not provide a principled framework for evaluating directional effects under controlled perturbations. We introduce a framework for structured counterfactual interventions in graph-based models to estimate directional influence between node types. Our approach trains a Neighbor Influence Model (NIM) to predict node states from local neighborhoods and applies constrained interventions that modify neighborhood composition while preserving key spatial and structural properties. We define the Counterfactual Directionality Score (CDS), which measures the change in predicted node state induced by targeted perturbations, and provide a theoretical interpretation of CDS as a finite-difference measure of local intervention sensitivity. To obtain valid uncertainty estimates, we introduce a core-level bootstrap procedure that accounts for dependencies within spatial samples. Experiments on synthetic spatial graphs with known directional structure show that CDS recovers directional influence, remains well calibrated under null conditions, and is robust to confounding signals, while preliminary results on spatial transcriptomics data reveal biologically plausible and consistent interactions across tissue cores.
• Abstract（参考訳）: ノード間の方向性の影響の定量化は、特に細胞間相互作用が機能的な結果を形作る空間生物学的システムにおいて、グラフベースのモデリングにおいて基本的な問題である。 既存のアプローチは、注意、帰属、相関キャプチャーの関連に基づくが、制御された摂動下での方向効果を評価するための原則的な枠組みは提供されていない。 本稿では,ノード間の指向性の影響を推定するために,グラフベースモデルにおける非実効的介入を構造化するフレームワークを提案する。 提案手法は, 周辺地域からのノード状態の予測にNIM (Neighbor Influence Model) を訓練し, 鍵となる空間的・構造的特性を保ちながら, 周辺構成を変化させる制約付き介入を適用した。 我々は,目標摂動による予測ノード状態の変化を計測するCDS(Counterfactal Directionality Score)を定義し,局所的介入感度の有限差測度としてCDSの理論的解釈を提供する。 有効不確実性評価を得るために,空間サンプル内の依存関係を考慮に入れたコアレベルのブートストラップ手法を提案する。 方向構造が知られている合成空間グラフの実験では、CDSは方向の影響を回復し、ヌル条件下では十分に校正され、信号の分離に頑健であり、空間転写学データの予備的な結果は組織コア間の生物学的に可塑性で一貫した相互作用を示す。

関連論文リスト

• Causal Gaussian Processes for Robust Treatment Effect Evaluation with Unobserved Confounding [65.76392290956525]
  本稿では, 連続領域に対する因果効果の評価を, 共起観測から検討する。 我々は,任意の因果モデルの観測的および介入的分布を効果的に近似する,因果的ガウス過程(CGP)モデルの新しいファミリーを開発する。
  論文  参考訳（メタデータ） (2026-06-20T00:05:25Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• Causal Learning with Neural Assemblies [0.0]
  投影, 局所可塑性制御, スパース勝者選択は, 方向性学習に十分であることを示す。 DIRECTは、アダプティブゲインスケジュールの下で、ソースとターゲットアセンブリを協調して活性化し、指示された関係を内部化するメカニズムである。 結果は、生物学的に妥当な力学と形式的因果モデルの間の監査可能なブリッジとして神経集合を確立する。
  論文  参考訳（メタデータ） (2026-04-29T17:34:33Z)
• On the Structural Non-Preservation of Epistemic Behaviour under Policy Transformation [51.56484100374058]
  このような情報条件の相互作用パターンを振る舞い依存として定式化する。 これにより、$$-behavioural equivalenceというプローブ相対的な概念と、政治内行動距離が導かれる。 その結果、共通政策変換の下でプローブ条件の挙動分離が保存されない構造条件が明らかになった。
  論文  参考訳（メタデータ） (2026-02-24T22:55:21Z)
• Causal Imitation Learning Under Measurement Error and Distribution Shift [6.038778620145853]
  ノイズ測定によってのみ、決定関連状態の一部が観察される場合、オフライン模倣学習(IL)について検討する。 本稿では,変数間の因果関係を明示的にモデル化することによって,測定誤差下でのILの一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:06:53Z)
• On Evolution-Based Models for Experimentation Under Interference [7.262048441360133]
  我々は、介入に応じて観察ラウンド間で結果がどのように変化するかを研究する進化に基づくアプローチについて研究する。 我々は、この手法のインスタンス化として、高密度ネットワークにおける因果メッセージパッシングを強調した。 このアプローチの限界について議論し、強い時間的傾向や内因性干渉が識別を損なう可能性があることを示す。
  論文  参考訳（メタデータ） (2025-11-26T18:53:46Z)
• BACE: Behavior-Adaptive Connectivity Estimation for Interpretable Graphs of Neural Dynamics [0.11744028458220425]
  本稿では,位相特異的な指向的な地域間接続を学習するエンド・ツー・エンド・エンド・フレームワークである振舞い適応接続性推定(BACE)を紹介する。 BACEは、各解剖学的領域内の多くの微小接触を、地域ごとの時間エンコーダを介して集約する。 それぞれの行動フェーズに固有の学習可能な隣接性を適用し、予測目標に基づいてトレーニングされる。
  論文  参考訳（メタデータ） (2025-10-11T22:48:36Z)
• Deep Causal Inference for Point-referenced Spatial Data with Continuous Treatments [2.2236425765564753]
  本稿では,空間干渉と観測不能なコンバウンディングを管理するために,近似ガウス過程と統合されたニューラルネットワーク(NN)ベースのフレームワークを提案する。 衛星画像から推定した合成,半合成,実世界のデータを用いて,我々の枠組みを評価する。
  論文  参考訳（メタデータ） (2024-12-05T16:06:23Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)

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。