Fugu-MT 論文翻訳(概要): Adversarial Causal Intervention Falsification

論文の概要: Adversarial Causal Intervention Falsification

arxiv url: http://arxiv.org/abs/2608.06427v1
Date: Wed, 05 Aug 2026 20:01:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-10 16:21:25.245837
Title: Adversarial Causal Intervention Falsification
Title（参考訳）: 逆行性因果性インターベンション・ファルシフィケーション
Abstract要約: 構造因果生成器が観測および介入分布を提案する逐次ゲームについて検討する。敵の実験者は、ジェネレータを最大限にファルシフィケーションしようとする介入を選択する。判別器は、介入により索引付けされ、ジェネレータが対応する事後法則を再生するか否かを検査する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Generative models can reproduce an observational distribution while encoding an incorrect causal structure. We study a sequential game in which a structural causal generator proposes observational and interventional distributions, while an adversarial experimentalist selects interventions intended to maximally falsify the generator. The discriminator is therefore not merely a real-versus-synthetic classifier: it is indexed by an intervention and tests whether the generator reproduces the corresponding post-intervention law. We introduce Adversarial Causal Intervention Falsification (ACIF), formulate oracle and implementable versions of the game, and distinguish three objects that are often conflated: observational fit, interventional equivalence over an admissible query class, and point identification of a structural causal model. For finite model and intervention classes, we prove: (i) an exact reduction of the adversarial objective to a worst-intervention integral probability metric; (ii) identification up to interventional equivalence, with point identification under a separating intervention family; (iii) existence of mixed-strategy equilibria; (iv) finite-sample uniform convergence and margin-based model-selection guarantees; and (v) a logarithmic elimination guarantee for a disagreement-driven sequential design under a balanced-separation condition. We also give a complete linear-Gaussian example in which two observationally indistinguishable causal directions are separated by a single well-chosen intervention. The framework clarifies what an adversarial causal discriminator can and cannot certify, and provides a principled bridge between causal generative modeling, active causal discovery, and experimental design.
Abstract（参考訳）: 生成モデルは、誤った因果構造を符号化しながら観測分布を再現することができる。本研究では, 構造因果生成器が観測的および介入的分布を提案する逐次ゲームについて検討する一方, 対角実験器は, 生成器の最大ファルシフィケーションを意図した介入を選択する。したがって、判別器は単なる実逆合成分類器ではなく、介入によって索引付けされ、生成器が対応する干渉後の法則を再現するかどうかをテストする。本稿では,ACIF (Adversarial Causal Intervention Falsification) を導入し,ゲームの公式および実装可能な3つのオブジェクトを区別する。有限モデルと介入クラスについては、次のように証明する。一相手方目標を最悪の干渉積分確率計量に正確に引き下げること。二介入同値の特定、分離介入家族によるポイント識別三混合ストラテジー均衡の存在 (四)有限サンプル一様収束及びマージンに基づくモデル選択保証 (v)バランスの取れた分離条件の下で、不一致駆動型シーケンシャルデザインの対数的除去を保証する。また,2つの観察的に区別不能な因果方向を1つのウェル・チョーゼン干渉で分離する完全線形ガウス的例を示す。このフレームワークは、対向因果判別器ができることと証明できないことを明確にし、因果生成モデリング、アクティブ因果発見、実験設計との間を原則的に橋渡しする。

関連論文リスト

Scalable Contrastive Causal Discovery under Unknown Soft Interventions [3.165716101116899]
本稿では,2つの観測と干渉のペア化のためのスケーラブルな因果探索モデルを提案し,その基礎構造と未知のソフト介入について述べる。合成データの実験では、因果構造回復の改善、保持された因果機構を持つ未知のグラフへの一般化、より大きなグラフへのスケーラビリティが示されている。
論文参考訳（メタデータ） (2026-03-03T18:16:16Z)
Canonical Representations of Markovian Structural Causal Models: A Framework for Counterfactual Reasoning [0.7106986689736826]
「偽りの理性は、アリスがアスピリンを飲んだら回復しただろうか?」本稿では,ある因果グラフモデルに適合する反ファクトを表現するために,構造因果モデルに対する代替手法を提案する。本稿では,(通常テスト可能な)介入制約から(任意かつ不可能な)カウンターファクト選択を解き放つ正規化手順を提案する。
論文参考訳（メタデータ） (2025-07-22T09:13:02Z)
Identifiable Latent Neural Causal Models [82.14087963690561]
因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。因果表現の識別可能性に寄与する分布シフトのタイプを決定する。本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
論文参考訳（メタデータ） (2024-03-23T04:13:55Z)
Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders [16.682775063684907]
すべての因果モデルに対する因果推論における不確実性の利用について検討する。構造的辺化を (i) 因果順序上の辺化と (ii) 順序を与えられた非巡回グラフ (DAG) に分解する。本手法は, 擬似非線形付加雑音ベンチマークにおいて, 構造学習における最先端の手法より優れる。
論文参考訳（メタデータ） (2024-02-22T18:39:24Z)
Identifiability Guarantees for Causal Disentanglement from Soft Interventions [26.435199501882806]
因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
論文参考訳（メタデータ） (2023-07-12T15:39:39Z)
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)
Identifying Weight-Variant Latent Causal Models [82.14087963690561]
推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2022-08-30T11:12:59Z)
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)
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)
Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。