論文の概要: Graph Surgery and the Do-Operator: A Precise Correspondence for Acyclic Structural Causal Models

• arxiv url: http://arxiv.org/abs/2608.17634v1
• Date: Tue, 18 Aug 2026 10:54:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.31125
• Title: Graph Surgery and the Do-Operator: A Precise Correspondence for Acyclic Structural Causal Models
• Title（参考訳）: グラフ手術とDo-Operator:非循環構造因果モデルに対する高精度対応
• Abstract要約: 決定論的非循環構造因果モデルに対する依存性レベル比較を正確にする。 逐次的介入がどのように結合するかを示し、その結果が実際の依存関係の祖先の介入にのみ依存することを証明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The $\operatorname{do}$-operator is described graphically by deleting arrows into its targets and functionally by replacing their mechanisms with constants. To call these operations equivalent is not yet a mathematical statement: one returns a graph and remembers only the targets, whereas the other returns mechanisms and also remembers the imposed values. We make a dependency-level comparison precise for deterministic acyclic structural causal models with finitely many endogenous variables. If $\operatorname{Graph}(F)$ extracts the dependencies of a mechanism family $F$, our main theorem is $\operatorname{Graph}(F^ι)=\operatorname{Surg}(\operatorname{Graph}(F),T_ι)$. Thus replacing target mechanisms removes exactly the dependencies removed by graph surgery. For a model $M=(G,F)$ whose graph may contain unused arrows, we characterize when the same equality holds with $G$ in place of $\operatorname{Graph}(F)$; it holds for every intervention exactly when $G$ records the dependencies of $F$ exactly. We then define the intervened model, characterize its run, show how sequential interventions combine, and prove that an outcome depends only on interventions at its actual dependency ancestors.
• Abstract（参考訳）: $\operatorname{do}$-operatorは、矢印をターゲットに削除し、それらのメカニズムを定数に置き換えることでグラフィカルに記述される。 グラフを返し、ターゲットのみを記憶し、他方はメカニズムを返し、課された値も記憶する。 有限個の内在変数を持つ決定論的非循環構造因果モデルに対する依存性レベル比較を正確にする。 もし$\operatorname{Graph}(F)$がメカニズムファミリの依存関係を$F$とすると、我々の主要な定理は$\operatorname{Graph}(F^ι)=\operatorname{Surg}(\operatorname{Graph}(F),T_ι)$である。 したがって、ターゲット機構の置き換えは、グラフ手術によって取り除かれた依存関係を正確に除去する。 グラフが未使用の矢印を含むかもしれないモデル$M=(G,F)$の場合、同じ等しい値が$\operatorname{Graph}(F)$の代わりに$G$となると特徴付けられる。 次に、インターベンションモデルを定義し、その実行を特徴付け、シーケンシャルな介入がどのように組み合わせるかを示し、結果が実際の依存関係の祖先の介入にのみ依存することを証明する。

関連論文リスト

• Compositional Dynamics in Learning and Mechanics [0.0]
  我々は、勾配に基づく学習とハミルトンスタイルの力学が関手意味論として現れる構成的設定を与える。 この論文の主な技術的結果は、任意の対称モノイド閉圏 C に付随するラックス対称モノイド函手レンズ(C)$to$C である*lens internalization* と呼ばれるものである。 Arrは操作されたダイアグラムなので、そのようなダイアグラムはネスト -- 小さなシステムからワイヤリングされた大きなシステム -- であり、各セマンティクスはその部分からファンクショナルにシステムのダイナミクスを組み立てます。
  論文  参考訳（メタデータ） (2026-06-27T15:39:01Z)
• DRESS: A Continuous Framework for Structural Graph Refinement [0.0]
  本稿では,グラフ内のエッジの構造的類似性を洗練し,標準指紋を生成するフレームワークDRESSを紹介する。 フィンガープリントは構成上は同型不変であり、数値的には安定である(すべての値は$[0,2]$)。 $-DRESSは、包括的なStrongly Regular Graphベンチマークで7,983グラフを実証的に分離し、反復削除(k$-DRESS)が階段を登り、各深さk$で$(k+2)$-WLを達成する。
  論文  参考訳（メタデータ） (2026-02-24T12:18:42Z)
• How Do Language Models Compose Functions? [32.88477392011441]
  大規模言語モデル(LLM)は、構成的タスクを解く能力がますます高まっているようである。 フィードフォワード LLM が 2-hop のファクトリコールタスクをどのように解決するかを,$g(f(x))$ と表すことができる。
  論文  参考訳（メタデータ） (2025-10-02T05:21:34Z)
• Loss Functions and Operators Generated by f-Divergences [21.58093510003414]
  本稿では,$f$-divergencesに基づいて新しい凸損失関数を構築することを提案する。 ロジスティック損失と類似して、$f$-divergenceによって生成される損失関数は演算子と関連付けられ、$f$-softargmax をダブする。 本研究の目的は,言語モデル設定における古典的クロスエントロピーを超えた損失関数の有効性を決定することである。
  論文  参考訳（メタデータ） (2025-01-30T18:06:18Z)
• Idempotent Generative Network [61.78905138698094]
  本稿では,ニューラルネットワークを等質にトレーニングした生成モデリングのための新しい手法を提案する。 一等演算子は、初期アプリケーションを超えて結果を変更せずに順次適用できる演算子である。 ターゲット分布とソース分布の両方からの入力を処理することにより、モデルがターゲット多様体に完全に破損または修正されたデータを投影することがわかった。
  論文  参考訳（メタデータ） (2023-11-02T17:59:55Z)
• A Unified Framework for Uniform Signal Recovery in Nonlinear Generative Compressed Sensing [68.80803866919123]
  非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。 本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。 また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
  論文  参考訳（メタデータ） (2023-09-25T17:54:19Z)
• Rule-based Graph Repair using Minimally Restricted Consistency-Improving Transformations [65.268245109828]
  一貫性の維持と一貫性の向上という,一貫性の新たな概念を導入します。 本稿では, 規則に基づくグラフ修復手法を提案する。
  論文  参考訳（メタデータ） (2023-07-18T11:20:54Z)
• Faster Privacy Accounting via Evolving Discretization [54.32252900997422]
  プライバシランダム変数の数値合成のための新しいアルゴリズムを提案する。 本アルゴリズムは,メカニズムを自己コンパイルするタスクに対して,$mathrmpolylog(k)$の実行時間とメモリ使用量を達成する。
  論文  参考訳（メタデータ） (2022-07-10T04:25:37Z)
• On the Equivalence of Causal Models: A Category-Theoretic Approach [0.0]
  離散変数上の異なるが同型な有向非巡回グラフを持つ因果モデルの同値性を決定するための基準を開発する。 因果モデルの同値性は、2つのそのような関手の間の自然な変換や同型によって定義される。 あるモデルが別のモデルの$Phi$-abstractionである場合、前者の介入は一貫して後者のモデルに変換される。
  論文  参考訳（メタデータ） (2022-01-18T13:43:06Z)
• AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph Convolution [79.44066256794187]
  我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。 アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。 理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
  論文  参考訳（メタデータ） (2021-11-12T07:08:13Z)
• Adversarial Linear Contextual Bandits with Graph-Structured Side Observations [80.95090605985042]
  学習エージェントは、$d$-dimensionalコンテキストベクトルで提示された後、一連の$k$アクションから繰り返し選択する。 エージェントは選択されたアクションの損失を誘発し、観察するが、観察構造における隣り合うアクションの損失も観察する。 textttEXP3に基づく2つの効率的なアルゴリズムが開発された。
  論文  参考訳（メタデータ） (2020-12-10T15:40:07Z)
• A Differentiable Relaxation of Graph Segmentation and Alignment for AMR Parsing [75.36126971685034]
  我々は、アライメントとセグメンテーションをモデルの潜在変数として扱い、エンドツーエンドのトレーニングの一部としてそれらを誘導する。 また,AMRの個々の構造を扱うために手作りされたLyu2018AMRPAのセグメンテーションルールに依存するモデルにもアプローチした。
  論文  参考訳（メタデータ） (2020-10-23T21:22:50Z)

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。