論文の概要: Implementing Causal Perception: Competing SCMs and Situated Fairness

• arxiv url: http://arxiv.org/abs/2608.03917v1
• Date: Tue, 04 Aug 2026 16:48:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.284663
• Title: Implementing Causal Perception: Competing SCMs and Situated Fairness
• Title（参考訳）: 因果認識の実践--SCMの競争と正当公正
• Abstract要約: 因果認識は、競合する構造因果モデルを持つエージェントが異なる確率分布を推定する際に起こる。 この研究は、lvarez と Ruggieri (2025) の因果認識フレームワークの最初の実装を提供する。 マルチエキスパートによる意思決定において,因果知覚が精度と公平性にどのように影響するかを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal perception occurs when agents with competing Structural Causal Models (SCMs) of the same system infer different probability distributions, including the hypothetical distributions implied by each agent's SCM under the same set of interventions. It shapes how agents reason about the system and how they perceive its fairness. Causal perception is a promising probabilistic framework, but it has remained purely theoretical. This work provides the first implementation of the causal perception framework of Álvarez and Ruggieri (2025). We operationalize structural (agents disagree on the causal graph) and parametrical (agents agree on the causal graph but disagree on its weights) causal perception. We design algorithms for computing interventional and counterfactual distributions and propose suitable distance measures to quantify the disagreement. Using the German Credit dataset, we illustrate how causal perception affects accuracy and fairness in a multi-expert decision setting. We show that the perception verdict is sensitive to the choice of distance metric and threshold. We also show that causal perception changes fairness assessments and threshold-based decisions. Bias proves situated with respect to the agent's SCM, demonstrating that competing worldviews in fairness problems cannot be ignored.
• Abstract（参考訳）: 因果認識は、同じシステムの競合する構造因果モデル(SCM)を持つエージェントが異なる確率分布を推定する際に起こる。 エージェントがシステムをどう考えるか、その公平さをどう知覚するかを形作っている。 因果認識は有望な確率的枠組みであるが、純粋に理論的のままである。 この研究は、アルバレスとルゲリ(2025年)の因果認識フレームワークの最初の実装を提供する。 我々は、構造的(エージェントは因果グラフに同意しない)とパラメトリック(エージェントは因果グラフに同意するが、その重みには同意しない)の因果知覚を運用する。 我々は干渉分布と反事実分布の計算アルゴリズムを設計し、不一致を定量化するための適切な距離測度を提案する。 ドイツのクレディ・データセットを用いて、多専門家による意思決定における因果認識が正確性と公平性にどのように影響するかを説明する。 また,距離距離と閾値の選択に敏感であることを示す。 また,因果認識が公平性評価やしきい値に基づく判断を変えることも示している。 バイアスはエージェントのSCMに関する位置を証明し、公正問題における競合する世界観は無視できないことを示した。

関連論文リスト

• Causal Reasoning with Bipartite Graphical Causal Models [0.7106986689736826]
  カウサルベイズネットワーク(CBN)と構造因果モデル(SCM)は、グラフィカル因果推論の主要なフレームワークである。 本稿では,変数ノードと方程式ノードを持つ二部グラフを用いて,方程式系の構造を符号化する二部グラフ因果モデル(BGCM)を提案する。
  論文  参考訳（メタデータ） (2026-08-20T09:33:20Z)
• Explaining the "Why": A Unified Framework for the Additive Attribution of Changes in Arbitrary Measures [9.511180482257737]
  協調ゲーム理論の強力なレンズを通して帰属を再構築する原理的枠組みを導入する。 我々の重要な貢献は、その数学的構造に基づく尺度の分類である。 多面的評価により,フレームワークの優位性を実証する。
  論文  参考訳（メタデータ） (2026-04-29T03:49:54Z)
• Causal Inference Isn't Special: Why It's Just Another Prediction Problem [1.90365714903665]
  因果推論は予測モデリングとは異なるものとして描かれることが多い。 しかし、中核では、因果推論は単に分布シフトの下での予測の構造化例である。 この観点は因果推定をよく知られた一般化問題として再定義する。
  論文  参考訳（メタデータ） (2025-04-06T01:37:50Z)
• Counterfactual Realizability [52.85109506684737]
  本稿では, 正規化可能性の定義, 分布からサンプルを抽出する能力を導入し, 任意の反事実分布が実現可能であるかどうかを判定する完全アルゴリズムを開発する。 本稿では、因果的公正さと因果的強化学習のモチベーション例を用いて、この新たな反ファクト的データ収集フレームワークの意義を説明する。
  論文  参考訳（メタデータ） (2025-03-14T20:54:27Z)
• Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
  我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。 因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。 因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-24T11:19:52Z)
• Toward A Causal Framework for Modeling Perception [22.596961524387233]
  機械学習(ML)における認識 本稿では,知覚を因果的にモデル化するための最初のアプローチを提案する。 我々は2種類の確率因果知覚(構造とパラメトリック)を定義した。
  論文  参考訳（メタデータ） (2024-01-24T12:08:58Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• 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)
• Adversarial Robustness through the Lens of Causality [105.51753064807014]
  ディープニューラルネットワークの敵対的脆弱性は、機械学習において大きな注目を集めている。 我々は、因果関係を敵対的脆弱性の軽減に組み込むことを提案する。 我々の手法は、敵の脆弱性を緩和するために因果性を利用する最初の試みと見なすことができる。
  論文  参考訳（メタデータ） (2021-06-11T06:55:02Z)
• 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)

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。