論文の概要: When AI Generates Covariates: Causal Typing and Estimand Drift in Sequential Experiments

• arxiv url: http://arxiv.org/abs/2609.17772v1
• Date: Tue, 15 Sep 2026 19:24:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.514862
• Title: When AI Generates Covariates: Causal Typing and Estimand Drift in Sequential Experiments
• Title（参考訳）: 共変量を生成するAI: 連続実験における因果タイピングと推定ドリフト
• Abstract要約: シーケンシャルな実験のために因果型の規律を定式化する。 圧縮バイアスの条件共分散特性を設計関連状態に対する生成表現の置換に適用する。 改良が設計関連情報を保持する上で有効であることを示し、一方、設計消去、漏洩、同一データマーカーの選択はバイアスや隠蔽をもたらす可能性があることを示す。
• 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: AI-generated covariates from notes, conversations, images, and wearable streams can change the causal question when their roles are left unspecified. A generated feature may represent a treatment version, pre-action state, history, design variable, mediator, outcome proxy, observation process, or intercurrent event; these roles are not interchangeable. We formulate a causal type discipline for sequential experiments: a versioned representation map, a causal role classifier, a claim-status filter, and an estimand lock. The lock fixes a standardized proximal effect before generated covariates enter the analysis. Under audit correctness and standard identification assumptions, admissible role assignments preserve this estimand. We apply the established conditional-covariance characterization of compression bias to substitution of generated representations for design-relevant states. A standardized decomposition separates compression, conditional-law, and standardization drift. Further results cover mediator adjustment, post-action leakage, marker-intervention conflation, outcome-guided discovery, and state-measurement error. Cluster-level orthogonal estimators distinguish empirical and superpopulation targets under repeated sessions and missing outcomes. Simulations show that refinement helps when it retains design-relevant information, whereas design erasure, leakage, and same-data marker selection can produce bias or undercoverage. The framework places causal semantics and claim status before confirmatory inference with generated representations.
• Abstract（参考訳）: ノート、会話、画像、ウェアラブルストリームからAI生成された共変体は、役割が特定されていないときに因果関係を変更できる。 生成された機能は、処理バージョン、プレアクション状態、履歴、デザイン変数、メディエータ、結果プロキシ、観察プロセス、あるいはイベント間のイベントを表すことができる。 逐次実験のための因果型の規律を定式化する: バージョン付き表現マップ、因果的役割分類器、クレーム統計フィルタ、推定ロック。 ロックは、生成した共変数が解析に入る前に標準化された近位効果を修正する。 監査の正当性と標準的識別の前提の下では、許容可能な役割割り当てがこの推定値を保存する。 圧縮バイアスの条件共分散特性を設計関連状態に対する生成表現の置換に適用する。 標準化された分解は、圧縮、条件付き法則、標準化ドリフトを分離する。 さらに, メディエータ調整, ポスト・アクション・リーク, マーカー・インターベンション・フレレーション, 結果誘導発見, 状態測定誤差についても検討した。 クラスタレベルの直交推定器は、繰り返しセッションと欠落した結果の下で経験的および超人口的目標を区別する。 シミュレーションでは、リファインメントは設計関連の情報を保持するのに役立ち、一方、設計の消去、リーク、同一データマーカーの選択はバイアスや隠蔽をもたらす。 このフレームワークは、生成した表現と確認推論の前に因果的意味論とクレームステータスを配置する。

関連論文リスト

• DiffImaginE: Imagine to Verify Entity Types with Diffusion [17.922112345279643]
  本稿では,MNER型検証を条件付き潜伏拡散推論として定式化するDiffImaginEを紹介する。 局所的な視覚的証拠が与えられた場合、型条件付きデノイザは、標準化された潜水器に注入されたノイズを予測する。 結果として生じるデノナイジングエラーは、型条件の負の対数類似性に対するELBO一貫性のサロゲートを与える。
  論文  参考訳（メタデータ） (2026-08-04T02:13:45Z)
• A Fiber Criterion for Representation Identifiability in Supervised Learning [0.0]
  教師付き学習は、その入出力行動を通じて予測器を評価する。 本稿では,結果の表現レベル識別可能性問題を定式化する。 その結果、表現レベルのクレームは、予測行動だけでなく、仮定、目的、測定、帰納的バイアスを必要とすることが明らかとなった。
  論文  参考訳（メタデータ） (2026-05-31T08:25:07Z)
• Causality is Key for Interpretability Claims to Generalise [35.833847356014154]
  大規模言語モデル(LLM)の解釈可能性の研究は、モデル行動に関する重要な洞察をもたらした。 繰り返し発生する落とし穴: 一般化しない発見と、証拠を突破する因果解釈。 パールの因果的階層は、解釈可能性の研究が正当化できることを明確にする。
  論文  参考訳（メタデータ） (2026-02-18T18:45:04Z)
• 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)
• Model-based causal feature selection for general response types [8.228587135343071]
  Invariant causal prediction (ICP) は、不均一な設定からのデータを必要とする因果的特徴選択の手法である。 我々は変換モデル(TRAM)ベースのICPを開発し、連続的、分類的、カウント型、非形式的に検閲された応答を可能にする。 我々は、オープンソースのRパッケージ「tramicp」を提供し、シミュレーションデータに対する我々のアプローチを評価し、重篤な患者の生存の因果的特徴を調査する事例研究を行った。
  論文  参考訳（メタデータ） (2023-09-22T12:42:48Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Representation Disentaglement via Regularization by Causal Identification [3.9160947065896803]
  本稿では,不整合表現学習における基礎となるデータ生成過程の仮定を記述するために,因果コライダー構造モデルを提案する。 そこで本研究では,大規模生成モデルの挙動を因果同定によって課される絡み合った制約に整合させるモジュール型正規化エンジンReIを提案する。
  論文  参考訳（メタデータ） (2023-02-28T23:18:54Z)
• Causal Transportability for Visual Recognition [70.13627281087325]
  画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。 次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。 これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
  論文  参考訳（メタデータ） (2022-04-26T15:02:11Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)

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。