論文の概要: Multi-Method Causal Evidence Synthesis: Ranking Candidate Drivers by Convergent Cross-Method Evidence from Observational Data

• arxiv url: http://arxiv.org/abs/2608.20187v1
• Date: Thu, 20 Aug 2026 15:41:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.629173
• Title: Multi-Method Causal Evidence Synthesis: Ranking Candidate Drivers by Convergent Cross-Method Evidence from Observational Data
• Title（参考訳）: マルチメソッド因果エビデンス合成:観測データからのコンバージェント・クロスメソッドエビデンスによる候補ドライバのランク付け
• Abstract要約: MCES(Multi-Method Causal Evidence Synthesis)は,観察システムにおけるドライバが,結果の集合に最も関連性が高いと判断するフレームワークである。 CESは分析レンズ間の証拠の収束を定量化する。 私たちの中心的なポイントは、プールが個々のメソッドすべてを打ち負かすのではなく、評価されたシナリオで一様にベストな方法が存在しないことです。
• 参考スコア（独自算出の注目度）: 6.790498055504957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Practitioners inferring causality from observational data usually rely on a single method and treat its output as causal truth. Recent tools select an optimal method for a dataset, and recent ensembles aggregate multiple causal-discovery algorithms into one graph, but little work pools evidence across different mathematical traditions, including non-causal ones. We present Multi-Method Causal Evidence Synthesis (MCES), a framework that ranks which candidate drivers in an observational system are most likely relevant to a set of outcomes, and with what strength of evidence. MCES runs eleven methods across eight mathematical traditions on observational panel data and pools their outputs into a Convergent Evidence Score (CES), a linear opinion pool. CES quantifies convergence of evidence across analytical lenses: the degree to which methods with different assumptions point to the same driver-outcome relationship. It does not claim causal identification in the interventionist sense; it supports hypothesis prioritization, not a transferable probability of causation. MCES first applies Structural-Behavioral Decomposition to remove definitional (algebraic) relationships, then runs all methods, normalizes outputs to [0,1], and pools them. We distinguish MCES from method selection, structural ensembles, prediction ensembles, and literature synthesis. Using synthetic data with embedded ground truth, the Sachs protein-signaling benchmark, six Bayesian-network structure benchmarks, and two further synthetic domains, we show MCES ranks true edges near the top (Precision@5 = 1.0, Precision@10 = 0.96 on the primary scenario), with a low empirical rate of null pairs reaching Moderate-or-higher convergence. Our central point is not that the pool beats every individual method, but that no single method is uniformly best across the evaluated scenarios, so MCES offers a method-agnostic default.
• Abstract（参考訳）: 観察データから因果関係を推定する実践者は、通常は単一の方法に依存し、その出力を因果真理として扱う。 最近のツールはデータセットに最適な方法を選択し、最近のアンサンブルは複数の因果発見アルゴリズムを1つのグラフに集約するが、非因果グラフを含む様々な数学的伝統に証拠をプールする作業はほとんどない。 MCES(Multi-Method Causal Evidence Synthesis)は、観測システムにおいて、どの候補ドライバが結果の集合に最も関係があるか、どのような証拠の強さでランク付けするフレームワークである。 MCESは8つの数学的伝統にまたがって11の手法を実行し、その出力を線形意見プールであるConvergent Evidence Score(CES)にプールする。 CESは分析レンズ間の証拠の収束を定量化している。 介入主義的な意味で因果的識別は主張せず、因果関係の伝達可能な確率ではなく、仮説の優先順位付けを支持する。 MCESはまず、定義的(代数的)な関係を取り除くために構造的-振る舞い分解を適用し、次にすべてのメソッドを実行し、出力を[0,1]に正規化し、それらをプールします。 MCESとメソッド選択、構造アンサンブル、予測アンサンブル、文学合成を区別する。 6つのベイズ・ネットワーク構造ベンチマーク、さらに2つの合成ドメインを組み込んだ合成データを用いて、最上部付近のMCESランクの真のエッジ(Precision@5 = 1.0, Precision@10 = 0.96)を示す。 私たちの中心的なポイントは、プールが個々のメソッドすべてを打ち負かすのではなく、評価されたシナリオで一様にベストな単一のメソッドが存在しないことです。

関連論文リスト

• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• Retrieving Classes of Causal Orders with Inconsistent Knowledge Bases [0.8192907805418583]
  大規模言語モデル(LLM)は、テキストベースのメタデータから因果的知識を抽出するための有望な代替手段として登場した。 LLMは信頼できない傾向があり、幻覚を起こす傾向があり、その限界を考慮に入れた戦略を必要とする。 本稿では,非循環型トーナメントのクラスを導出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:37:51Z)
• Meta-Analysis with Untrusted Data [14.28797726638936]
  メタアナリシスに2つの変更を加えることで、因果的疑問にもっと正確に答える方法を示す。 まず,大規模観測データベースから引き出された信頼できないデータを組み込む。 第二に、不均一な試行を扱うことができるよりリッチなモデルを訓練する。
  論文  参考訳（メタデータ） (2024-07-12T16:07:53Z)
• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• On the Consistency of Kernel Methods with Dependent Observations [5.467140383171385]
  本稿では,カーネル法においてこのような現象を説明する経験的弱収束(EWC)の概念を提案する。 EWCはランダムなデータ分布の存在を仮定し、フィールドにおける以前の仮定を厳格に弱める。 本研究は,学習過程の新たなクラスを統計的学習に開放し,i.d.以上の学習理論と混合の基礎として機能する。
  論文  参考訳（メタデータ） (2024-06-10T08:35:01Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Revisiting the Dataset Bias Problem from a Statistical Perspective [72.94990819287551]
  統計的観点から「データセットバイアス」問題を考察する。 問題の主な原因は、クラス属性 u と非クラス属性 b の強い相関関係である。 本稿では,各試料nの目的をフラクタル1p(u_n|b_n)で重み付けするか,その試料をフラクタル1p(u_n|b_n)に比例してサンプリングすることにより,データセットバイアスを軽減することを提案する。
  論文  参考訳（メタデータ） (2024-02-05T22:58:06Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Nonparametric Conditional Local Independence Testing [69.31200003384122]
  条件付き局所独立は、連続的な時間プロセス間の独立関係である。 条件付き地域独立の非パラメトリックテストは行われていない。 二重機械学習に基づく非パラメトリックテストを提案する。
  論文  参考訳（メタデータ） (2022-03-25T10:31:02Z)
• Evaluating Causal Inference Methods [0.4588028371034407]
  我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。 我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
  論文  参考訳（メタデータ） (2022-02-09T00:21:22Z)
• Decentralized optimization with non-identical sampling in presence of stragglers [3.04585143845864]
  非同一データからのサンプルデータを分散したコンセンサス最適化を考慮し、トラグラーとして知られる遅いノードによる可変量の作業を行う。 2つの凸法が最適であると結論づける一方で、最適解が存在しないことも示す。
  論文  参考訳（メタデータ） (2021-08-25T06:33:38Z)

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。