Fugu-MT 論文翻訳(概要): Scalable and Versatile Identification for Hierarchical Structural Causal Models: A New Look at Project STAR

論文の概要: Scalable and Versatile Identification for Hierarchical Structural Causal Models: A New Look at Project STAR

arxiv url: http://arxiv.org/abs/2608.24500v1
Date: Tue, 25 Aug 2026 12:47:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:34.989312
Title: Scalable and Versatile Identification for Hierarchical Structural Causal Models: A New Look at Project STAR
Title（参考訳）: 階層構造因果モデルのための拡張性と可逆性同定:Project STARの新しい展望
Abstract要約: 階層構造因果モデル(HSCM)のための完全でスケーラブルなオープンソースのパイプラインを開発する。提案手法はグラフ変換,pyAgrum のdo-calculus を統合し,因果効果の自動同定,および適合した局所確率モデルからの数値推定を行う。このパイプラインを標準HSCMモチーフとベンチマークシナリオで検証し,STAR幼稚園数学結果に適用する。
参考スコア（独自算出の注目度）: 2.410796952366327
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The STAR (Student-Teacher Achievement Ratio) experiment (1985, Tennessee, USA) is a landmark hierarchical dataset designed to assess the impact of class size on student outcomes, with observations nested within classes. To encode class-level interventions in such hierarchical settings, we develop a complete, scalable, open-source pipeline for Hierarchical Structural Causal Models (HSCM) that bridges symbolic identification and practical estimation. Our approach integrates graph transformations, pyAgrum's do-calculus for automatic identification of causal effects, adaptation of symbolic expression into closed-form HSCM formulas, and numerical estimation from fitted local probability models. A key innovation is our adapted Abstract Syntax Tree (AST), which decomposes pyAgrum's identified formulas into independent density, expectation, and marginalization tasks, enabling parallel and scalable computation. We validate the pipeline on canonical HSCM motifs and benchmark scenarios with known ground truth, then apply it to STAR kindergarten mathematics outcomes. The results show that flat baselines (ignoring hierarchy) recover associations but fail to encode class-level interventions, and that symbolic identification alone is not enough for practical Hierarchical Structural Causal inference; scalable estimation and numerical stability checks are central parts of the scientific object.
Abstract（参考訳）: STAR(Student-Teacher Achievement Ratio、Student-Teacher Achievement Ratio、Student-Teacher Achievement Ratio、Student-Teacher Achievement Ratio、Student-Teacher Achievement Ratio、Student-Teacher Achievement Ratio、Student-Teacher Achievement Ratio、Student-Teacher Achievement Ratio、Student-Teacher Achievement Ratio、Student-Teacher Achievement Ratio)は、アメリカテネシー州テネシー州テネシー州テネシー州、テネシー州、テネシー州)の実験である。このような階層的設定におけるクラスレベルの介入をエンコードするために,階層的構造因果モデル(HSCM)のための完全かつスケーラブルなオープンソースのパイプラインを開発し,記号的識別と実用的な推定を橋渡しする。提案手法は,グラフ変換,pyAgrumのdo-calculusを用いて因果効果の自動同定,記号表現の閉形式HSCM公式への適応,および適合した局所確率モデルからの数値推定を行う。主要な革新は、pyAgrumの特定された公式を独立した密度、期待、限界化タスクに分解し、並列でスケーラブルな計算を可能にする、適応型抽象構文木(AST)である。このパイプラインを標準HSCMモチーフとベンチマークシナリオで検証し,STAR幼稚園数学結果に適用する。その結果、フラットベースライン(階層を含まない)が関係を回復するが、クラスレベルの介入を符号化することができないこと、シンボル識別だけでは実用的階層構造因果推論には不十分であること、スケーラブルな推定と数値安定性チェックが科学的対象の中心的な部分であることを示している。

関連論文リスト

Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
論文参考訳（メタデータ） (2026-03-21T14:15:34Z)
From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG [8.449978933501965]
本稿では,参照資料を構造化知識グラフに整理するグラフ検索拡張生成(GraphRAG)フレームワークを提案する。提案手法では,高忠実度グラフ構築のためのMicrosoft GraphRAGとHippoRAGニューロシンボリックアルゴリズムの2相パイプラインを用いる。
論文参考訳（メタデータ） (2026-02-28T04:44:06Z)
Predicate Hierarchies Improve Few-Shot State Classification [12.683069420087962]
PHIERはオブジェクト中心のシーンエンコーダであり、述語間の意味的関係を推測する自己監督的損失と階層構造を捉える双曲距離メートル法である。 CALVIN と BEHAVIOR のロボット環境における PHIER の評価を行い,PHIER が既存手法より優れていることを示す。
論文参考訳（メタデータ） (2025-02-18T03:08:37Z)
Causal Abstraction Learning based on the Semantic Embedding Principle [8.867171632530908]
構造因果モデル(SCM)により,複数の解像度で複雑なシステムを調べることができる。本稿では,低次測度と高次測度の間の準同型を見出すことにより,CAの学習を可能にするSCMに対するカテゴリー論的アプローチを提案する。
論文参考訳（メタデータ） (2025-02-01T11:54:44Z)
Structural Entropy Guided Probabilistic Coding [52.01765333755793]
構造エントロピー誘導型確率的符号化モデルSEPCを提案する。我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
論文参考訳（メタデータ） (2024-12-12T00:37:53Z)
Structure Learning and Parameter Estimation for Graphical Models via Penalized Maximum Likelihood Methods [0.0]
論文では、静的なベイジアンネットワーク(BN)と、その名前が示すように時間成分を持つ連続時間ベイジアンネットワークという2つの異なるタイプのPGMについて考察する。私たちは、PGMを学ぶための最初のステップである、真の構造を回復することに興味を持っています。
論文参考訳（メタデータ） (2023-01-30T20:26:13Z)
Latent Hierarchical Causal Structure Discovery with Rank Constraints [19.61598654735681]
我々は、いくつかの変数が潜伏し、階層的なグラフ構造を形成する因果構造同定のための挑戦的なシナリオを考える。本稿では,潜伏変数を効率よく検出し,その濃度を判定し,潜伏階層構造を同定する推定手法を提案する。
論文参考訳（メタデータ） (2022-10-01T03:27:54Z)
Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文参考訳（メタデータ） (2021-11-15T03:16:56Z)
Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文参考訳（メタデータ） (2021-03-05T09:03:03Z)
CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and Transfer Learning [138.40338621974954]
CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。タスクは、ブロックのセットから3D形状を構築することで構成される。
論文参考訳（メタデータ） (2020-10-08T23:01:13Z)
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。