論文の概要: What Would Falsify It? A Variable Specific Evidence Standard for Mechanistic Claims About Self Explanation
- arxiv url: http://arxiv.org/abs/2609.32670v1
- Date: Sat, 26 Sep 2026 14:26:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 21:27:13.26193
- Title: What Would Falsify It? A Variable Specific Evidence Standard for Mechanistic Claims About Self Explanation
- Title（参考訳）: ファリシフィケーションとは何か? 自己説明に関する力学的主張のための様々な特定証拠標準
- Abstract要約: 言語モデルがすでに与えられた答えを説明するとき、その答えを生成した計算を再利用するか、あるいは回答からのみストーリーを再構築するかを示します。
検証された変数の同一性を除去する変数固有nullと、それぞれ正の統計量とをペアリングするエビデンス標準を提案する。
- 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: When a language model explains an answer it has already given, does it reuse the computation that produced the answer or reconstruct a story from the answer alone? Attribution, transportability and recoverability are each compatible with causal use without establishing it. We propose an evidence standard: pair each positive statistic with a variable specific null that removes the tested variable's identity while matching relevant nuisance dimensions as far as possible, and audit unmatched dimensions. We apply this standard to a known cause. A cue naming a wrong option raises the rate of choosing that option by 64 to 68 percentage points across three models. Explanations mention the cue in 1.8 percent of items or fewer in three of four models tested. Three estimator classes yield favorable statistics, but none establishes causal sensitivity to the cue contrast under its own control in the three-model analysis. In the strongest case, a recovered cue direction reaches $R^2$ of 0.95 and exceeds a geometry matched random direction in all three seeds, while a direction fitted by the same pipeline with cue labels scrambled reproduces 61 to 76 percent of its effect at comparable realized edit magnitude. A fourth model passes one interchange endpoint, but unequal edit magnitudes and a contrast that changes both cue identity and cue-answer agreement limit its interpretation. These experiments leave causal access unresolved. They establish an evidentiary requirement: favorable mechanistic statistics must survive controls for variable identity and nuisance structure. Reusable controls separate generic from identity specific transport effects, fit null directions with scrambled labels, and audit realized intervention magnitudes.
- Abstract（参考訳）: 言語モデルが、すでに与えられた答えを説明するとき、その答えを生み出した計算を再利用するか、あるいは答えからのみストーリーを再構築するのか?
属性、輸送性、回復性はそれぞれ、それを確立することなく因果的使用と互換性がある。
検証された変数の同一性を取り除き、関連するニュアンス次元を可能な限り一致させ、未整合次元を検査する。
我々はこの基準を既知の原因に適用する。
間違ったオプションを命名するキューは、3つのモデルで64から68ポイントの割合で選択する率を上げる。
説明では、テストされた4つのモデルのうち3つのうち、アイテムの1.8パーセント以下でのキューについて言及している。
3つの推定器クラスが好意的な統計を導出するが、3モデル解析における独自の制御の下でキューコントラストに対する因果感度を確立するものはない。
最強の場合、回収されたキュー方向は0.95ドルのR^2$に達し、全ての3つの種子において幾何学的に整合したランダムな方向を超える一方、キューラベルスクランブルされた同一のパイプラインで嵌合された方向は、その効果の61%から66%を、同等に実現された編集等級で再現する。
第4のモデルは1つのインターチェンジエンドポイントをパスするが、編集の規模は不等であり、キューIDとキュー・アンサー合意の両方を変えるコントラストは解釈を制限する。
これらの実験は因果アクセスを未解決のまま残している。
好ましい機械統計学は、可変IDとニュアンス構造に対する制御を生き残らなければならない。
再利用可能なコントロールは、アイデンティティ固有のトランスポートエフェクトからジェネリックを分離し、ヌル方向をスクランブルラベルに適合させ、実際の介入の規模を監査する。
関連論文リスト
- Reasoning Concentrates Errors, and Self-Consistency Never Notices [0.0]
自己整合性(Self-Consistency)は、モデルが不確実な場合には独立したサンプルが一致しないと仮定する。
推論がモデルのエラーに集中していることが示される。
280以上のメソッド-データセット-モデルの組み合わせは、修正後の単純な多数決に勝るものではない。
論文 参考訳（メタデータ） (2026-09-25T22:03:14Z) - The Delegation Blind Spot: Auditing Product Decisions from Agent Choices [2.731113456484581]
成功したエージェントの実行は、ユーザがどの製品に価値をもたらすかを識別する必要がない。
本稿では、宣言された観察チャンネルと製品価値を、互換性のある間隔や目撃者集団と対比する決定特異的監査を提案する。
論文 参考訳（メタデータ） (2026-09-22T16:15:55Z) - Intrinsic Sequence-Likelihood Confidence in Retrieval-Dominated Extractive QA: Two Pre-Specified Negatives, and What They Do and Do Not Attribute [0.4310167974376404]
オープン言語モデルを微調整すると、自身の信頼度が誘引制御信号であるモデルが得られる。
我々は,実行前の基準下での両使用量を評価した。
検索だけで92-99.8%のベストケースの組み合わせ精度が回復する。
論文 参考訳（メタデータ） (2026-09-17T09:17:00Z) - Guide, Not Bind: Why Defeasible Priors Fail in Augmented Lagrangian Causal Discovery [0.0]
異なる因果発見法は、拡張ラグランジアン罰によって強制される厳格な制約として専門家の事前を符号化する。
この設計は、結合ではなく、エンファングイドと呼ばれるもので、2つの独立した、正確に特徴づけられた理由で失敗することを示している。
論文 参考訳（メタデータ） (2026-09-03T06:53:34Z) - Feature Priming in Online Linear Regression: Sparse-Regret Lower Bounds and a Tight Univariate Rate [47.36630149538994]
高次元のオンライン予測では、最良の予測子はいくつかの機能にのみ依存する可能性があるため、後悔は周囲の次元ではなく、疎らさでスケールすべきである。
WarmuthとAmidはCOLT 2023で、これらの3つのルールのいずれかが競合するオンライン後悔の保証を認めているかどうかを尋ねた。
安価なニュアンスは、リフィットが真の予測座標を過度に重くする原因となる。
論文 参考訳（メタデータ） (2026-08-18T09:32:03Z) - Decomposition of Evidence, Contradiction, and Fragility in Perturbation Responses [1.1162481475388237]
我々は, 一致, 反対, 終端無効応答をエビデンスE, 矛盾C, FにルートするDECAFを紹介する。
分解は通常の等級、 Abs = E + C + F を正確に保存し、終端相対公理の下で一意である。
明らかな経路だけを変えることで、全体のレスポンスが80%近く増加するが、脆弱性が4倍以上に増加する一方で、証拠はほとんど変化しない。
論文 参考訳（メタデータ） (2026-08-13T08:13:22Z) - Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
深部異方性回帰における自己教師付き共分散推定について検討する。
正規分布の間の2-ワッサーシュタイン距離の上界を導出する。
幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
論文 参考訳（メタデータ） (2025-02-14T22:37:11Z) - Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。
本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
論文 参考訳（メタデータ） (2023-05-09T09:08:39Z) - 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) - A Weaker Faithfulness Assumption based on Triple Interactions [89.59955143854556]
より弱い仮定として, 2$-adjacency faithfulness を提案します。
より弱い仮定の下で適用可能な因果発見のための音方向規則を提案する。
論文 参考訳（メタデータ） (2020-10-27T13:04:08Z) - Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。
我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。
まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
論文 参考訳（メタデータ） (2020-08-19T16:04:34Z)
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。