論文の概要: Causal Evidentiary Governance for High-Risk Machine Learning Systems

• arxiv url: http://arxiv.org/abs/2609.01040v1
• Date: Tue, 01 Sep 2026 10:38:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.581345
• Title: Causal Evidentiary Governance for High-Risk Machine Learning Systems
• Title（参考訳）: ハイリスク機械学習システムにおける因果的エビデンシャルガバナンス
• Authors: Samah Kareem, Barış Çeliktaş,
• Abstract要約: 現在の公正ガバナンスのプラクティスは、観察的公正度メトリクス、ポストホック説明可能性、不変監査ログに依存しています。 我々は、規制機関がバージョン付き有向非循環グラフ(DAG)にコミットする枠組みであるCausal Evidentiary Governance(CEG)を紹介する。 各決定には署名された決定証拠パケット(DEP)が伴い、予測を公開DAGのダイジェストとパス固有の属性に暗号的に結び付ける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning systems deployed for credit, hiring, and resource distribution are increasingly subject to regulatory oversight from policies such as the EU AI Act and GDPR. Current fairness governance practices rely on observational fairness metrics, post-hoc explainability, and immutable audit logs, but provide limited support for causal attribution and efficient evidentiary verification. We introduce Causal Evidentiary Governance (CEG), a framework in which regulated institutions commit to a versioned directed acyclic graph (DAG) that partitions causal pathways into allowable and disallowed groups. The Causal Harm Rate measures prediction variation attributable to disallowed causal pathways. Each decision is accompanied by a signed Decision-Evidence Packet (DEP), cryptographically binding the prediction to a digest of the published DAG and path-specific attributions. DEP digests can be appended to a Merkle tree to enable logarithmic-cost inclusion proofs. We validate CEG through a two-layer empirical methodology using demographic summaries from four years of PMA credit supervisory data to construct 10,000 synthetic credit applicants across four strategic DAG counterfactuals. Causal Harm Rate isolates injected causal effects more clearly than demographic parity or equalized odds. Cross-model validation and ablation studies assess robustness. Evaluation on the German Credit dataset shows that harm associated with specific causal pathways can be substantially understated by associational fairness metrics. Finally, a proof-of-concept implementation demonstrates operationally plausible throughput and highlights relevant performance tradeoffs.
• Abstract（参考訳）: 信用、雇用、資源配分のためにデプロイされる機械学習システムは、EU AI ActやGDPRといった政策から規制の監督を受ける傾向にある。 現在の公正ガバナンスの実践は、観察的公正度メトリクス、ポストホックの説明可能性、不変監査ログに頼っているが、因果帰属に対する限定的なサポートと効果的な顕在的検証を提供する。 我々は、規制機関が、因果経路を許容・許可されないグループに分割するバージョン付き非循環グラフ(DAG)にコミットする枠組みである、因果エビデンタリーガバナンス(CEG)を紹介する。 因果率(Causal Harm Rate)は、許容しない因果経路に起因する予測変動を測定する。 各決定には署名された決定証拠パケット(DEP)が伴い、予測を公開DAGのダイジェストとパス固有の属性に暗号的に結び付ける。 DEPダイジェストはMerkle木に付加することができ、対数コストの包含証明を可能にする。 我々は,4年間のPMA信用監督データから得られた人口統計を2層にまとめた実証的手法を用いてCEGを検証し,4つの戦略的DAG対策にまたがる1万の総合信用申請者を構築した。 因果的ハーム率(Causal Harm Rate)は、人口統計学的パーティや等化確率よりも明確に因果効果を注入した。 クロスモデル検証とアブレーション研究はロバスト性を評価する。 ドイツ信用データセットの評価によると、特定の因果経路に関連する害は、関連性公正度指標によって著しく過小評価される。 最後に、概念実証実装は運用上妥当なスループットを示し、関連するパフォーマンスのトレードオフを強調します。

関連論文リスト

• Perception Without Engagement: Dissecting the Causal Discovery Deficit in LMMs [68.58207076756237]
  本稿では,結果評価からメカニズム診断へ移行する摂動に基づく評価プロトコルProCauEvalを紹介する。 因果推論において,ビデオコンテンツは体系的に過小評価されている。 教師のネガティブなアライメントに基づく強化学習フレームワークであるADPOを提案する。
  論文  参考訳（メタデータ） (2026-05-10T08:48:58Z)
• Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity in AI in Education [3.275822752813799]
  ジェネレーティブ・人工知能(GenAI)は現在、教育に広く普及しているが、GenAIシステムの有効性は、それらを訓練し評価するために使用されるラベル付きデータの質と解釈に制約されている。 我々は,多くの教育評価や実践支援設定には,高参照構造やスキュードラベル分布などの課題が含まれていると論じている。 1) IRR を機械的受容閾値(例えば k > 0.8 )ではなく,不一致を局所化し,構成を洗練するための診断信号として扱うこと,(2) レーダの専門知識,コードブックの開発,和解手順,セグメンテーションの透過的な報告を必要とすること,の4つの実践的シフトを提案する。
  論文  参考訳（メタデータ） (2026-03-31T01:47:01Z)
• 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)
• Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach [9.175642602891939]
  Causal Assumption-based Argumentation (ABA)は、入力制約と出力グラフの対応性を確保するためにシンボリック推論を使用するフレームワークである。 本稿では,大言語モデル(LLM)をCausal ABAの不完全専門家として活用し,変数名や記述から意味的構造的事前を抽出する方法について検討する。 標準的なベンチマークとセマンティックグラウンドの合成グラフの実験は、最先端の性能を示している。
  論文  参考訳（メタデータ） (2026-02-18T14:15:21Z)
• Think Locally, Explain Globally: Graph-Guided LLM Investigations via Local Reasoning and Belief Propagation [5.191980417814362]
  LLMエージェントは、ほとんどの環境が静的で、必要な情報がモデルのコンテキストウインドウに適合する場合、排他的になる。 直腸型薬剤は、この体制では特に脆い。 本稿では,LLMが限定的な局所的エビデンスマイニングとラベリングを行うためのフレームワークであるEoGを提案する。
  論文  参考訳（メタデータ） (2026-01-25T17:27:19Z)
• Outcome-Grounded Advantage Reshaping for Fine-Grained Credit Assignment in Mathematical Reasoning [60.00161035836637]
  グループ相対政策最適化は、推論タスクのための有望な批判のない強化学習パラダイムとして登場した。 我々は,各トークンがモデルの最終回答にどの程度影響するかに基づいて,利益を再分配する,きめ細かい信用割当機構であるOutcome-grounded Advantage Reshaping (OAR)を紹介した。 OAR-Gは計算オーバーヘッドを無視して同等のゲインを達成し、どちらも強力なGRPOベースラインをはるかに上回っている。
  論文  参考訳（メタデータ） (2026-01-12T10:48:02Z)
• Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
  本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。 フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。 算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
  論文  参考訳（メタデータ） (2025-11-13T07:26:01Z)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• Causally Fair Node Classification on Non-IID Graph Data [9.363036392218435]
  本稿では,フェアネスを考慮したMLアルゴリズムにおける課題について述べる。 非IID、グラフベースの設定の見落としている領域に取り組みます。 因果推論のためのメッセージパッシング変分オートエンコーダを開発した。
  論文  参考訳（メタデータ） (2025-05-03T02:05:51Z)
• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)

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。