論文の概要: Demistifying Data and Simulator Assumptions in Supervised Causal Discovery

• arxiv url: http://arxiv.org/abs/2609.37446v1
• Date: Tue, 29 Sep 2026 13:03:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.506445
• Title: Demistifying Data and Simulator Assumptions in Supervised Causal Discovery
• Title（参考訳）: 監視された因果発見におけるデータとシミュレータ推定の最小化
• Abstract要約: 監視された因果発見は、構造ラベルと組み合わせたトレーニングデータセットから、新しいデータセットの因果構造を推論することを学ぶ。 本稿では,2026年6月までに利用可能な代表手法間の関係について検討する。
• 参考スコア（独自算出の注目度）: 13.261380935275755
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Supervised causal discovery learns to infer causal structure for a new dataset from training datasets paired with structural labels. These training pairs are typically simulated, making the simulator both a source of supervision and a carrier of assumptions about causal graphs, mechanisms, and noise. Understanding the resulting predictions therefore requires examining how these assumptions supplement the information available in observational data, which may be compatible with multiple causal graphs. This paper examines that relationship across representative methods available through June 2026. We organize these methods by prediction target, prediction granularity, encoder, structural decoder, and training regime to relate what each method predicts to how it uses data and simulator-based supervision. Using this framework, we distinguish two questions: whether the target is identifiable under the assumed model class, and whether a trained predictor generalizes beyond its training distribution. Restrictions on mechanisms and noise can make otherwise ambiguous causal directions identifiable, but predictive accuracy under those restrictions does not establish transfer when they change. This distinction motivates evaluation that matches metrics to the identifiable graph target and tests changes in graphs, mechanisms, and noise between training and deployment. Extending such evaluation to real data also requires documenting the external causal evidence and uncertainty behind benchmark reference graphs. Together, these analyses guide method comparison and identify open questions in transfer, test-time adaptation, and uncertainty assessment.
• Abstract（参考訳）: 監視された因果発見は、構造ラベルと組み合わせたトレーニングデータセットから、新しいデータセットの因果構造を推論することを学ぶ。 これらのトレーニングペアは典型的にシミュレートされ、シミュレータは監督の源であり、因果グラフ、メカニズム、ノイズに関する仮定のキャリアとなる。 結果として得られた予測を理解するには、これらの仮定が複数の因果グラフと互換性のある観測データで利用可能な情報を補う方法を検討する必要がある。 本稿では,2026年6月までに利用可能な代表手法間の関係について検討する。 予測対象,予測粒度,エンコーダ,構造デコーダ,トレーニング体制によってこれらの手法を編成し,各手法が何を予測するかをデータとシミュレータベースの監視方法に関連付ける。 この枠組みを用いることで、対象が仮定されたモデルクラスで識別可能かどうか、訓練された予測器がトレーニング分布を超えて一般化するかどうかの2つの疑問を区別する。 メカニズムやノイズの制限は、さもなくばあいまいな因果方向を識別できるが、これらの制限の下での予測精度は、変更時に転送を確立できない。 この区別は、メトリクスを識別可能なグラフターゲットにマッチさせる評価を動機付け、トレーニングとデプロイメントの間のグラフ、メカニズム、ノイズをテストします。 このような評価を実データに拡張するには、ベンチマーク参照グラフの背後にある外部因果証拠や不確実性も文書化する必要がある。 これらの分析は、転送、テスト時間適応、不確実性評価におけるオープンな質問の比較と識別をガイドする。

関連論文リスト

• Which Influence Are We Estimating? The Role of Counterfactual Specifications in Data Attribution [8.627671856044527]
  影響は、属性となる行動、各トレーニング例に適用される介入、および対実的トレーニングプロセスに依存すると論じる。 我々は、影響を反事実推定として定式化し、仕様ミスマッチを近似誤差と区別する。 実験により、異なる仕様の下での正確な推定値が異なるランクを導出できることが示され、一方、摂動が線形化点から遠ざかるにつれて近似誤差は増大する。
  論文  参考訳（メタデータ） (2026-09-25T12:56:12Z)
• Supervised learning pays attention [42.97070083645048]
  注意を伴うコンテキスト内学習により、大きなニューラルネットワークは、関連する例に選択的にフォーカスすることで、コンテキスト固有の予測を行うことができる。 予測点ごとにパーソナライズされたモデルを柔軟に適合させる方法を示し,(2)モデルが簡潔さと解釈可能性を維持することを示す。 本手法は,注目度に応じてトレーニングデータを重み付けすることで,各試験観測の局所モデルに適合する。
  論文  参考訳（メタデータ） (2025-12-10T18:43:46Z)
• Detecting Regional Spurious Correlations in Vision Transformers via Token Discarding [0.7315240103690552]
  本稿では,視覚変換器における突発的相関を検出する新しい手法を提案する。 また,浸潤性乳房腫瘤の集団分類において急激なシグナルを呈する症例も報告した。
  論文  参考訳（メタデータ） (2025-09-04T08:40:40Z)
• On the Interconnections of Calibration, Quantification, and Classifier Accuracy Prediction under Dataset Shift [58.91436551466064]
  本稿では,データセットシフト条件下でのキャリブレーションと定量化の3つの基本問題間の相互接続について検討する。 これらのタスクのいずれか1つに対するオラクルへのアクセスは、他の2つのタスクの解決を可能にすることを示す。 本稿では,他の分野から借用した高度に確立された手法の直接適応に基づく各問題に対する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-16T15:42:55Z)
• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• Boosted Control Functions: Distribution generalization and invariance in confounded models [10.503777692702952]
  非線形で非同定可能な構造関数が存在する場合でも分布の一般化を可能にする不変性という強い概念を導入する。 フレキシブルな機械学習手法を用いて,ブースト制御関数(BCF)を推定する制御Twicingアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-09T15:43:46Z)
• Data-SUITE: Data-centric identification of in-distribution incongruous examples [81.21462458089142]
  Data-SUITEは、ID(In-distriion)データの不連続領域を特定するためのデータ中心のフレームワークである。 我々は,Data-SUITEの性能保証とカバレッジ保証を実証的に検証する。
  論文  参考訳（メタデータ） (2022-02-17T18:58:31Z)

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。