論文の概要: From Training to Deployment: Post-Hoc Causal Feature Identification via Sensitivity Ratios

• arxiv url: http://arxiv.org/abs/2607.25546v1
• Date: Tue, 28 Jul 2026 10:26:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.797431
• Title: From Training to Deployment: Post-Hoc Causal Feature Identification via Sensitivity Ratios
• Title（参考訳）: 訓練から展開へ:感性比によるホック後の因果的特徴の同定
• Abstract要約: 既にトレーニング済みのモデルを考えると、因果関係と突発的な機能に依存していますか? 我々は,この問題に対して,ポストホックでモデルに依存しない診断法であるtextbfNormalized Sensitivity Ratio(NSR)を導入する。
• 参考スコア（独自算出の注目度）: 10.912482254600478
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given a model that is already trained, which features does it rely on causally versus spuriously? Existing methods require access to the training procedure and cannot answer this post-hoc. We introduce the \textbf{Normalised Sensitivity Ratio~(NSR)}, a post-hoc, model-agnostic diagnostic for this question under a structured-shift regime: environments differ primarily in the mean of spurious features while the causal mechanism and causal marginals remain stable, as in multi-site clinical data or multi-batch genomics. Within this regime, causal features induce constant model sensitivity across environments while spurious features track shift. NSR formalises this as the squared coefficient of variation of per-environment sensitivity. Under a linear structural causal model (SCM) with $K\ge3$ non-degenerate environments, NSR achieves exact identification (Theorem~1). We fully characterise failure: weak shifts ($O(\varepsilon^4)$ collapse), degenerate geometry, and proxy attenuation ($O((1-α)^4)$), giving practitioners quantitative criteria for assessing whether the regime holds. Finite-sample rates are $O_p(n^{-1})$ under the null and $O_p(n^{-1/2})$ under the alternative. Experiments confirm all theoretical predictions on synthetic data (area under the ROC curve [AUROC] $= 1.000$ under conditions satisfying the regime), show consistent rankings across five model families (Kendall $τ\ge0.529$), and recover six of eight causal features on bike-sharing data (Precision@7 $= 0.75$) without modifying any trained model.
• Abstract（参考訳）: 既にトレーニング済みのモデルを考えると、因果関係と突発的な機能には依存していますか? 既存の方法はトレーニング手順へのアクセスを必要としており、このポストホックに答えることはできない。 マルチサイト臨床データやマルチバッチゲノミクスのように、因果的メカニズムや因果的辺縁が安定しているのに対して、主に刺激的特徴の点で環境が異なっているという構造的シフト体制の下で、この問題に対する、ポストホックでモデルに依存しない診断である「textbf{Normalized Sensitivity Ratio~(NSR)}を導入する。 この体制の中では、因果的特徴は環境全体にわたって一定のモデル感度を誘導し、突発的特徴は変化をトラックする。 NSRは、これを環境ごとの感度の変化の2乗係数として定式化している。 非退化環境を持つ線形構造因果モデル (SCM) の下で、NSR は正確な識別を達成する(Theorem~1)。 弱いシフト(O(\varepsilon^4)$ collapse)、縮退幾何学(degenerate geometry)、プロキシ減衰(O((1-α)^4)$)。 有限サンプルレートは、nullの下で$O_p(n^{-1})$、代替として$O_p(n^{-1/2})$である。 実験では、合成データに関するすべての理論的予測(ROC曲線 [AUROC] $=1000$)を確認し、5つのモデルファミリー(Kendall $τ\ge0.529$)で一貫したランキングを示し、トレーニングされたモデルを変更することなく、自転車共有データ(Precision@7 $= 0.75$)の8つの因果的特徴を回復する。

関連論文リスト

• Robust Average-Reward Markov Decision Processes: Minimax-Optimal Learning via Plug-in Reductions [51.50375419691955]
  分布的に堅牢なマルコフ決定プロセスは、モデルの不確実性の下でのシーケンシャルな意思決定のための原則化されたフレームワークを提供する。 我々は,平均回帰基準の下で,$varepsilon$-Optimal robust policyを学習するのに必要なサンプル数と十分なサンプル数について検討した。
  論文  参考訳（メタデータ） (2026-08-06T19:49:48Z)
• Gradient-Based Latent Decomposition Reveals Mechanisms of Feature Degradation in Weakly Supervised Mammography [0.0]
  弱教師付き階層モデルは永続的な非対称性を示す。 粗い病変型の特徴は再建時に保存され, 微粒な悪性度は低下する。 高次元空間では、1つの粗いスーパーバイザー信号が1次元の遅延方向のみを分離し、臨界きめ細かい特徴を弱い残留部分空間に強制する。
  論文  参考訳（メタデータ） (2026-07-24T01:04:07Z)
• Benchmarking the Utility of Privacy-Preserving Cox Regression Under Data-Driven Clipping Bounds: A Multi-Dataset Simulation Study [0.0]
  微分プライバシー(DP)は、個人のプライバシーを保証する数学的枠組みである。 本研究では,データ駆動クリッピング境界を持つDP機構がCox比例ハザードモデルに与える影響を系統的に評価した。
  論文  参考訳（メタデータ） (2026-04-23T09:53:15Z)
• Fundamental Limits of Neural Network Sparsification: Evidence from Catastrophic Interpretability Collapse [7.167095059974211]
  本研究では, 可変オートエンコーダ-スパースオートエンコーダアーキテクチャにおける重大容量制約下での機能生存について検討する。 本稿では,活動ニューロンを500から50以上の訓練エポックに段階的に減少させる適応的空間性スケジューリングフレームワークを提案する。 グローバルな表現の質は安定しているが、局所的な特徴解釈可能性は体系的に崩壊する。
  論文  参考訳（メタデータ） (2026-03-18T00:16:38Z)
• Beyond Accuracy: A Unified Random Matrix Theory Diagnostic Framework for Crash Classification Models [6.908972852063454]
  ランダム行列理論(RMT)とヘビープレート自己正規化(HTSR)に基づく診断枠組みを導入する。 アイオワDOTの2つのクラッシュ分類タスク(173,512,371,062)において,9つのモデルファミリーを評価した。 正規化されたモデルは常に$[2, 4]$(平均2.87 pm 0.34$)内で$を出力します。 我々は、$$ベースの早期停止基準とスペクトルモデル選択プロトコルを提案し、両者が相互検証されたFに対して検証する。
  論文  参考訳（メタデータ） (2026-02-23T05:42:54Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• Information Hidden in Gradients of Regression with Target Noise [2.8911861322232686]
  勾配だけでヘッセンが明らかになることを示す。 我々はガウス以下の入力の下で非漸近作用素ノルム保証を提供する。
  論文  参考訳（メタデータ） (2026-01-26T14:50:16Z)
• Skewness-Robust Causal Discovery in Location-Scale Noise Models [47.09233752567902]
  位置スケールノイズモデルに基づく因果発見のための確率に基づくアルゴリズムであるSkewDを提案する。 SkewDは通常の正規分布フレームワークをスキュー正規設定に拡張し、対称性と歪んだ雑音下での信頼性推論を可能にする。 我々は、スキューノイズを伴う新しい合成データセットと、確立されたベンチマークデータセットに基づいてSkewDを評価する。
  論文  参考訳（メタデータ） (2025-11-18T12:40:41Z)
• Identifying General Mechanism Shifts in Linear Causal Representations [58.6238439611389]
  我々は,未知の潜在因子の線形混合を観測する線形因果表現学習環境について考察する。 近年の研究では、潜伏要因の復元や、それに基づく構造因果モデルの構築が可能であることが示されている。 非常に穏やかな標準仮定の下では、シフトしたノードの集合を識別することが可能である。
  論文  参考訳（メタデータ） (2024-10-31T15:56:50Z)
• On the Identifiability and Estimation of Causal Location-Scale Noise Models [122.65417012597754]
  位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。 症例によっては, 因果方向が同定可能であることが示唆された。 我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
  論文  参考訳（メタデータ） (2022-10-13T17:18:59Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)

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。