論文の概要: A Computationally Feasible Framework for Causal Probabilistic Explanation
- arxiv url: http://arxiv.org/abs/2609.04177v1
- Date: Thu, 03 Sep 2026 17:55:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.196735
- Title: A Computationally Feasible Framework for Causal Probabilistic Explanation
- Title（参考訳）: 因果確率的説明のための計算可能フレームワーク
- Abstract要約: 確率因果影響(PCI)について
PCIは、実際の因果関係とパールの必然性と十分性の概念に基づいて構築されるが、見積もり問題としての説明可能性の問題を再考する。
我々は,PCIを合成および実世界の例で評価し,ACとの整合性チェック,スケーリング実験,複雑な連続値動的システム,および何百万ものデータポイントでトレーニングされた実世界展開因果機械学習モデルについて検討した。
- 参考スコア（独自算出の注目度）: 3.395850962452318
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Explaining why a specific outcome occurred, and which inputs deserve the blame or credit, is central to philosophical, scientific, and policy analysis. Existing tools split into two camps. The theory of actual causality (AC) gives principled verdicts, but only for toy-sized models, because computing them requires enumerating counterfactual scenarios. Scalable attribution methods like SHAP (or even causal SHAP) at least partially ignore the causal structure that generated the data, and can give answers that conflict with a careful causal analysis. We close this gap with Probabilistic Causal Impact (PCI). PCI builds on actual causality and on Pearl's notions of probability of necessity and sufficiency, but recasts the question of explainability as an estimation problem on a probabilistic causal model that is easily approximated via Monte Carlo. By specifying a distribution over "candidate explanations," a distribution over counterfactual values, and a scoring function, PCI provides tractable, causally grounded, graded explanations, generalizing AC and Pearl's probability of causation as degenerate cases. We evaluate PCI in synthetic and real-world examples, spanning consistency checks with AC, scaling experiments, complex continuous-valued dynamical systems, and a real-world deployed causal machine learning model trained on millions of datapoints.
- Abstract（参考訳）: 特定の結果が発生し、どの入力が責任や信用に値するかを説明することは、哲学、科学、政策分析の中心である。
既存の道具は2つのキャンプに分かれた。
実際の因果性(AC)の理論は、原則的な評定を与えるが、計算には反現実的なシナリオを列挙する必要があるため、おもちゃサイズのモデルに限られる。
SHAP(あるいは因果SHAP)のようなスケーラブルな帰属法は、データを生成する因果構造を少なくとも部分的に無視し、慎重な因果解析と矛盾する答えを与える。
確率因果影響(PCI)でこのギャップを埋める。
PCIは、実際の因果関係とパールの必然性と十分性の概念に基づいて構築されるが、モンテカルロで容易に近似できる確率因果モデル上の推定問題としての説明可能性の問題を再考する。
候補説明」の分布、反事実値の分布、スコア関数を指定することにより、PCIは、縮退可能な、因果的基礎を持つ、格付けされた説明を提供し、ACとパールの因果関係の確率を退化事例として一般化する。
我々は,PCIを合成および実世界の例で評価し,ACとの整合性チェック,スケーリング実験,複雑な連続値動的システム,および何百万ものデータポイントでトレーニングされた実世界展開因果機械学習モデルについて検討した。
関連論文リスト
- Evaluating Bivariate Causal Statements Based on Mutual Compatibility [7.594559816880284]
我々は$n$変数の集合上で因果文を評価する方法を開発した。
信頼の前提に頼らずに、この可算性の概念を定量化する互換性スコアを導入する。
両スコアが、一般的な設定における誤った因果関係文と正しく区別できるという理論的および実証的な証拠を与える。
論文 参考訳（メタデータ） (2026-05-29T19:15:09Z) - DeCaFlow: A deconfounding causal generative model [48.86777554649186]
本稿では,分解因果生成モデルであるDeCaFlowを紹介する。
DeCaFlowの単一インスタンスがdo-calculusで識別可能なすべての因果クエリに対して正しい推定値を提供することを示す。
多様な設定に関する実証的な結果は、DeCaFlowが既存のアプローチよりも優れており、任意の因果グラフに適用可能であることを示している。
論文 参考訳（メタデータ） (2025-03-19T11:14:16Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - Reinterpreting causal discovery as the task of predicting unobserved
joint statistics [15.088547731564782]
我々は因果発見が、観測されていない関節分布の性質を推測するのに役立つと論じている。
入力が変数のサブセットであり、ラベルがそのサブセットの統計的性質である学習シナリオを定義する。
論文 参考訳（メタデータ） (2023-05-11T15:30:54Z) - Probabilistic Variational Causal Approach in Observational Studies [0.0]
本報告では,観測研究における事象の出現頻度と頻度を,根本的問題との関連性に基づいて考慮する新たな因果的手法を提案する。
本稿では,確率的偏差因果効果(probabilistic vAriational Causal Effect, PACE)と呼ばれる直接因果効果測定法と,非二項および二項処理に適用可能な特定の仮定に固執する変動について述べる。
論文 参考訳（メタデータ） (2022-08-12T13:34:17Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳（メタデータ） (2022-06-04T22:38:57Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳（メタデータ） (2021-06-14T17:52:49Z) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳（メタデータ） (2020-11-04T10:25:13Z) - 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) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳（メタデータ） (2020-02-23T22:52:28Z) - Interventions and Counterfactuals in Tractable Probabilistic Models:
Limitations of Contemporary Transformations [12.47276164048813]
本研究では,SPNを因果グラフ介入推論に変換すると,限界分布の計算に還元されることを示す。
まず,PSDDから因果グラフを構築するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-29T15:45:47Z)
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。