Fugu-MT 論文翻訳(概要): Certifying Interventional Agreement Among Observationally Equivalent Causal Models

論文の概要: Certifying Interventional Agreement Among Observationally Equivalent Causal Models

arxiv url: http://arxiv.org/abs/2609.32247v1
Date: Sat, 26 Sep 2026 05:07:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-07 18:30:39.727271
Title: Certifying Interventional Agreement Among Observationally Equivalent Causal Models
Title（参考訳）: 観測等価因果モデル間の相互一致の証明
Abstract要約: 本稿では、実際のシステムに対して、許容可能な介入で繰り返しクエリするインターベンショナル分離選択(ISS)を紹介する。 ISSは、コスト境界内で介入がなければ、生存者を隔離する。 ISSは、各ネットワークが平均13.6の介入で知覚するものを認証する。
参考スコア（独自算出の注目度）: 0.23332469289621785
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Observationally equivalent causal models can still disagree about what happens under intervention, because interventions create inputs that never occur in observational data. We introduce Interventional Separation Selection (ISS), which repeatedly queries the true system with an admissible intervention on which the surviving candidate models disagree, discards the candidates the outcome contradicts, and stops once no intervention within a cost bound separates the survivors. If the true system is among the candidates, this stopping condition certifies that every survivor agrees with it on every admissible intervention within the bound, a guarantee that no observational learner can give, however much data it sees. The stopping condition depends only on the survivors, so it can be checked without knowing the truth. For continuous variables the candidates form an infinite version space, and mixed-integer linear programs decide the stopping condition exactly over all of it, with agreement holding up to a tolerance. On a three-digit colored MNIST causal abstraction task in which ink hue tracks digit size, plain convolutional networks trained on examples reach zero held-out error, yet disagree with shape-based labels on 26% of single-digit edits, as often as hue-based labels do. Auditing the causal abstractions of networks observed only on such images, ISS certifies what each network perceives with 13.6 interventions per image on average, and each certificate, checked against every admissible intervention, holds whenever the network's true abstraction is among the candidates. When a network bypasses a unit that every candidate abstraction relies on, certificates covering interventions on that unit can be silently void, and twenty random validation interventions refute 69% of them.
Abstract（参考訳）: 観察的に等価な因果モデルでは、介入が観測データに起こらない入力を生成するため、介入の下で何が起こるかについては相反することがある。我々は、生き残った候補モデルが反対する許容的介入で真のシステムを何度もクエリし、結果が矛盾する候補を排除し、コスト境界内での介入が生存者を分離した後で停止するインターベンショナル分離選択(Interventional separation Selection, ISS)を紹介した。真のシステムが候補の1つである場合、この停止条件は、すべての生存者が境界内の許容可能な介入に対してそれに同意していることを保証する。停止状態は生存者にのみ依存するため、真実を知ることなく確認することができる。連続変数に対しては、候補は無限のバージョン空間を形成し、混合整数線形プログラムはそのすべてに対して完全に停止条件を決定する。 3桁の色のMNIST因果分解タスクでは、インク色が数字のサイズを追跡するため、サンプルで訓練されたプレーンな畳み込みネットワークはゼロのホールドアウトエラーに達するが、単一桁の編集の26%で形状ベースのラベルと矛盾する。このような画像上でのみ観測されるネットワークの因果的抽象化を検証し、ISSは各ネットワークが平均して13.6の介入で知覚するものを認定し、各認証は、許容されるすべての介入に対してチェックされ、ネットワークの真の抽象化が候補の中で常に保持される。ネットワークがすべての候補抽象化が依存するユニットをバイパスすると、そのユニットの介入をカバーする証明書は静かに無効になり、20のランダムな検証介入は69%に反する。

関連論文リスト

From Experiments to Decisions: Reusing Evidence in Autonomous Coding Research [0.0]
我々は400タスクのNeuroGolfキャンペーンでエビデンスをどのように再利用するかを再構築する。数値的な反例は、オーバーブロード排除を公開する。他のエピソードでは、失敗、不完全、そして修正されたプログラムが次に行うことを正当化する。
論文参考訳（メタデータ） (2026-09-10T03:48:31Z)
Common-Witness Certificates and Sharp Feature Bounds for Counterfactual Image Auditing [0.0]
画像エディタは、単一の潜伏説明が完全な出力に合わない場合でも、各可視性制約を別々に満たすことができる。我々は,この局所的・言語的失敗を,共通の目撃者格と目撃者の神経を用いて定式化する。
論文参考訳（メタデータ） (2026-09-03T15:09:52Z)
VeriPhy: Agentic Physical Reasoning for World Model Evaluation and Refinement [57.86962208273888]
テキストのみのプランナが入力された物理義務にプロンプトをコンパイルする監査可能な物理検証システムを提案する。それぞれのアクションは、ペイロードがタイプされた測定か、明示的にタグ付けされた学習状態である証明付きエビデンスレコードを返す。我々は, 実発生障害を即時参照, 空間, 時間でローカライズする, 1500クリックの欠陥記録のコーパスにおいて, 評価をアンロックする。
論文参考訳（メタデータ） (2026-09-02T20:36:45Z)
Cross-View Correspondence Is a Measurement Intervention: Two-Sided Validation for Agent Evaluation and Credit Assignment [3.2479665905442645]
クロスビュー対応は、エージェントの評価やクレジットの割り当てがポイントの結論を支持する前に、宣言、検証、不確実性に伝播されなければならない。本研究では,2側によるニュアンス除去と応答保存の検証,下流の結論のオールオプティマ同定,有効性確立後の不確実性伝播の3つの要素による妥当性理論と監査を開発する。
論文参考訳（メタデータ） (2026-08-18T12:39:21Z)
Certifying Plans under Model Mismatch: A Trilemma for Reachability from Scarce Data [5.455772242709494]
シモン・トゥ・リアル・ポリシーは、名目力学の下で設計されているが、ターゲット・システム・トライアルは、わずかに孤立した1段階の遷移をもたらす。本研究では,学習ポリシによって生成されるアクションチャンクなど,固定制御シーケンスの事前実行認証について検討する。
論文参考訳（メタデータ） (2026-08-03T16:28:26Z)
The Knowing-Saying Gap: When Probes See Errors that Confidence Misses [20.46211358172975]
線形プローブは、ほぼ完全精度で言語モデルの劣化コンテキストを検知するが、信頼性の高い故障予測にはならない。マルチホップ算術連鎖全体において、汚職を検出するプローブは最終解の正しさについて非形式的であることが判明した。リアルタイムモニタとして、プローブベースの介入は、シャープにモデル化され、エラータイプに依存します。
論文参考訳（メタデータ） (2026-07-21T12:13:10Z)
Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
論文参考訳（メタデータ） (2026-05-23T06:27:42Z)
Counterfactual Likelihood Tests for Indirect Influence in Private Reasoning Channels [51.56484100374058]
本稿では,私的推論チャネル間の影響を測定するための実証実験について述べる。この方法は、上流のプライベートブロックを長さマッチングドナーブロックに置き換え、公開トークンシーケンスと下流ターゲットを固定し、下流ターゲットの負のログに似たシフトを測定する。
論文参考訳（メタデータ） (2026-05-18T20:27:43Z)
Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文参考訳（メタデータ） (2023-06-01T10:51:58Z)
Collective Robustness Certificates: Exploiting Interdependence in Graph Neural Networks [71.78900818931847]
ノード分類、画像分割、名前付き一致認識といったタスクでは、複数の予測を同時に出力する分類器があります。既存の対向ロバスト性証明は、それぞれの予測を独立に考慮し、従ってそのようなタスクに対して過度に悲観的である。本稿では,摂動下で安定に保たれることが保証される予測数を計算した最初の集合ロバスト性証明を提案する。
論文参考訳（メタデータ） (2023-02-06T14:46:51Z)

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。