論文の概要: Causal Modeling of Adverse Pregnancy Outcomes via Adaptive LLM Proposals

• arxiv url: http://arxiv.org/abs/2608.21079v1
• Date: Fri, 21 Aug 2026 13:24:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.552181
• Title: Causal Modeling of Adverse Pregnancy Outcomes via Adaptive LLM Proposals
• Title（参考訳）: 適応LDM提案による逆妊娠成績の因果モデリング
• Abstract要約: 逆妊娠期アウトカム(APOs)は、母親と子供の両方に長期的な結果をもたらす可能性がある。 我々は、プラプシブル因果仮説を生成するためのニューロシンボリックな枠組みを導入する。 我々は,APOをモデル化するための実世界の臨床データセットに対するアプローチを評価する。
• 参考スコア（独自算出の注目度）: 33.324544549333886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adverse Pregnancy Outcomes (APOs) such as preterm birth and gestational diabetes can have long-term consequences for both the mother and child, yet an understanding of their causes remains elusive. Causal discovery in this domain is especially challenging due to a paucity of data and incomplete domain knowledge. As a result, pure data-driven methods fail, and Large Language Model (LLM) outputs remain inconsistent or contradictory. We introduce a neurosymbolic framework for generating plausible causal hypotheses that iteratively combines the broad prior knowledge of LLMs with empirical scoring on data. Our method treats the LLM as an adaptive proposal distribution, generating hypotheses that are scored against empirical data; the resulting high-scoring graphs are then used to update the LLM's context, steering subsequent generations toward more promising regions of the hypothesis space. We evaluate our approach on a real-world clinical dataset for modeling APOs and their risk factors, comparing our results against an expert-constructed causal graph. Our method recovers all expert-validated edges and identifies additional plausible causal relations not previously listed by experts, potentially providing new insights for targeted interventions.
• Abstract（参考訳）: 妊娠の早期アウトカム(APOs)は、出生前や妊娠中の糖尿病のような副作用があり、母親と子供の両方に長期的な結果をもたらすことがあるが、その原因はいまだ解明されていない。 この領域における因果発見は、データと不完全なドメイン知識の不完全さのため、特に困難である。 その結果、純粋なデータ駆動型メソッドが失敗し、Large Language Model(LLM)の出力は相容れないか矛盾するままである。 本稿では,LLMの広い事前知識とデータに基づく経験的スコアリングを反復的に組み合わせた,可塑性因果仮説を生成するための神経象徴的枠組みを提案する。 提案手法は, LLMを適応的な提案分布として扱い, 経験的データに対して得られた仮説を生成し, 結果として得られたハイスコアグラフを用いてLLMのコンテキストを更新し, その後の世代を仮説空間のより有望な領域へと誘導する。 我々は,APOとそのリスク要因をモデル化するための現実的な臨床データセットに対するアプローチを,専門家が構築した因果グラフと比較して評価した。 提案手法は,すべての専門家が有するエッジを復元し,これまで専門家が挙げていなかった有意な因果関係を同定し,対象とする介入に対する新たな洞察を与える可能性がある。

関連論文リスト

• Bounding the Causal Impact of ML-assisted Decision-Making via Counterfactual Correctness [2.9267249513932008]
  本稿では,新しいモデルの因果的効果に対する境界を構築するための部分同定手法を提案する。 このアプローチの中核的な革新は、詳細な予測精度に関する仮定を下流の結果に活用することである。
  論文  参考訳（メタデータ） (2026-07-23T20:45:10Z)
• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Perplexity Trap: PLM-Based Retrievers Overrate Low Perplexity Documents [64.43980129731587]
  因果診断・矯正法(CDC)という因果推論時間脱バイアス法を提案する。 CDCはまず、パープレキシティのバイアス効果を診断し、その後、全体の関連スコアからバイアス効果を分離する。 3つの領域にまたがる実験結果から, より優れた脱バイアス効果が示された。
  論文  参考訳（メタデータ） (2025-03-11T17:59:00Z)
• Can Large Language Models Help Experimental Design for Causal Discovery? [94.66802142727883]
  Large Language Model Guided Intervention Targeting (LeGIT) は、LLMを効果的に組み込んだ堅牢なフレームワークであり、因果発見のための介入のための既存の数値的アプローチを強化する。 LeGITは、既存の方法よりも大幅な改善と堅牢性を示し、人間を超越している。
  論文  参考訳（メタデータ） (2025-03-03T03:43:05Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Understanding Privacy Risks of Embeddings Induced by Large Language Models [75.96257812857554]
  大きな言語モデルは、人工知能の初期の兆候を示すが、幻覚に苦しむ。 1つの有望な解決策は、外部知識を埋め込みとして保存し、LLMを検索強化世代に支援することである。 近年の研究では、事前学習された言語モデルによるテキスト埋め込みから、元のテキストを部分的に再構築できることが実験的に示されている。
  論文  参考訳（メタデータ） (2024-04-25T13:10:48Z)
• Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
  我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。 大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• Can We Utilize Pre-trained Language Models within Causal Discovery Algorithms? [0.2303687191203919]
  事前学習言語モデル(PLM)の因果推論は、テキストベースの記述にのみ依存する。 PLMから得られた事前知識を因果探索アルゴリズムと統合する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-19T03:31:30Z)
• Integrating Large Language Model for Improved Causal Discovery [25.50313039584238]
  大規模言語モデル(LLM)は、様々なドメイン固有のシナリオの因果解析に使われてきた。 エラー耐性 LLM による因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-29T12:48:00Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• The worst of both worlds: A comparative analysis of errors in learning from data in psychology and machine learning [17.336655978572583]
  機械学習(ML)が誤診や複製の危機に直面しているという最近の懸念は、ML研究で公表された主張の一部が対面価値で評価できないことを示唆している。 教師付きMLにおける研究の関心事は、実験科学における複製危機と共通している。
  論文  参考訳（メタデータ） (2022-03-12T18:26:24Z)

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。