Fugu-MT 論文翻訳(概要): How Causality Bridges the Semantic Gap

論文の概要: How Causality Bridges the Semantic Gap

arxiv url: http://arxiv.org/abs/2610.02594v1
Date: Thu, 01 Oct 2026 23:46:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-06 00:14:30.125848
Title: How Causality Bridges the Semantic Gap
Title（参考訳）: セマンティックギャップの因果関係
Abstract要約: 測定と意味のギャップを因果構造で埋める。 CaulBridgeは変数のセマンティクスを他の変数に対する動作から読み出す。既存のメソッドよりも正確に観察された変数や潜伏変数のセマンティクスを復元する。
参考スコア（独自算出の注目度）: 30.23966581401235
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Numerical measurements capture how a system behaves, but often leave the meanings of its variables unspecified. Some variables are measured but never labeled, and others are never measured at all. Existing methods assign semantics to such variables by consulting general human knowledge, but this inherits its biases where that knowledge exists and offers nothing where it does not. We bridge this gap between measurements and their meanings with causal structure instead, reading a variable's semantics from how it acts on other variables. We formalize this as structure-constrained semantic alignment, in which the embedding of each unnamed variable is solved under the dependence relations implied by the causal graph, with the embeddings of a few known names as anchors. Accordingly, we build CausalBridge, a framework that discovers the causal graph from the measurements, latent variables included, solves for the embeddings under those relations, and expresses them as names through a language model. The causal structure reflects the mechanism that generated the measurements and is recovered from the measurements alone, which may make it the one source of information free of bias from human knowledge. We evaluate CausalBridge on five questionnaires and three robotics scenarios, with 20 to 90% of the variable names masked. It recovers the semantics of observed and latent variables more accurately than existing methods that rely on association, and its lead widens as less of the system is documented. The graph it discovers names variables as accurately as the documented one, and a new system is named in minutes and at a fraction of the cost of sampling methods. Once the semantic gap is bridged faithfully, machines can understand the world and take actions causally.
Abstract（参考訳）: 数値的な測定はシステムがどう振る舞うかを捉えるが、しばしば変数の意味を未特定のまま残す。いくつかの変数は測定されるが、ラベル付けされることはない。既存の方法は、一般的な人間の知識を照会することで、そのような変数に意味論を割り当てるが、それはその知識が存在する場所のバイアスを継承し、そうでない場所では提供しない。代わりに、測定とそれらの意味の間のこのギャップを因果構造でブリッジし、変数が他の変数にどのように作用するかから変数の意味を読みます。我々はこれを構造制約付きセマンティックアライメントとして定式化し、因果グラフによって示唆される依存関係の下で各無名の変数の埋め込みを解き、いくつかの既知の名前の埋め込みをアンカーとして扱う。そこで我々はCausalBridgeというフレームワークを構築した。このフレームワークは測定値から因果グラフを発見し、潜伏変数を含む、それらの関係の下での埋め込みを解消し、言語モデルを通じてそれらを名前として表現する。因果構造は、測定を発生し、測定からのみ回収されるメカニズムを反映しており、人間の知識からバイアスのない情報の唯一の源となる可能性がある。 5つのアンケートと3つのロボティクスシナリオでCausalBridgeを評価し,20～90%の変数がマスクされている。関連性に依存する既存の手法よりも、観測変数や潜伏変数のセマンティクスを正確に復元し、システムの文書化が少なくなるにつれて、そのリードは拡大する。そのグラフは、文書化された変数と同じ精度で名前の変数を発見し、新しいシステムは数分で、サンプリングのコストのごく一部で呼ばれる。セマンティックギャップが忠実にブリッジされると、マシンは世界を理解でき、慎重に行動する。

関連論文リスト

Identifying Structural Biases from Causal Mechanism Shifts [34.67784777106841]
因果的メカニズムシフトから隠れた欠点と選択バイアスを特定する方法を示す。特に、構造バイアスが依存的なメカニズムシフトを引き起こすことを示す。どのノードがどのようなバイアスを受けるかを知るために、StruBIアルゴリズムを導入する。
論文参考訳（メタデータ） (2026-06-17T09:09:32Z)
Semantic Interaction Information mediates compositional generalization in latent space [0.0]
我々は、静止部分観測可能なマルコフ決定過程(POMDP)である認知グリッドワールドを開発する。観測は複数の潜伏変数によって共同で生成されるが、フィードバックは1つのゴール変数に限られる。本研究では,これらのインタラクションを備えたリカレントニューラルネットワーク(RNN)を分析し,意味的相互作用情報(SII)がEcho状態とフルトレーニングネットワークの精度ギャップを説明する。
論文参考訳（メタデータ） (2026-03-28T04:46:44Z)
Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
論文参考訳（メタデータ） (2024-08-01T09:11:08Z)
Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
論文参考訳（メタデータ） (2024-02-06T12:18:54Z)
Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
論文参考訳（メタデータ） (2024-01-10T02:38:21Z)
BISCUIT: Causal Representation Learning from Binary Interactions [36.358968799947924]
BISCUITは因果変数とその対応する二項相互作用変数を同時に学習する手法である。ロボットにインスパイアされた3つのデータセット上で、BISCUITは因果変数を正確に識別し、AIを具現化する複雑な現実的な環境にスケールすることができる。
論文参考訳（メタデータ） (2023-06-16T06:10:55Z)
Latent Hierarchical Causal Structure Discovery with Rank Constraints [19.61598654735681]
我々は、いくつかの変数が潜伏し、階層的なグラフ構造を形成する因果構造同定のための挑戦的なシナリオを考える。本稿では,潜伏変数を効率よく検出し,その濃度を判定し,潜伏階層構造を同定する推定手法を提案する。
論文参考訳（メタデータ） (2022-10-01T03:27:54Z)
VarCLR: Variable Semantic Representation Pre-training via Contrastive Learning [84.70916463298109]
VarCLRは変数名のセマンティック表現を学ぶための新しいアプローチである。 VarCLRはコントラスト学習に適しており、明示的に類似した入力間の距離を最小化することを目的としている。 VarCLRはBERTのような洗練された汎用言語モデルを効果的に適用できることを示す。
論文参考訳（メタデータ） (2021-12-05T18:40:32Z)
Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文参考訳（メタデータ） (2021-07-02T05:44:56Z)
Contextuality and Random Variables [0.0]
システム内のランダム変数の同一性は、同じ文脈における他のすべてのランダム変数との結合分布によって決定される。コンテキストが変化すると、ある特性を測定する変数はすぐに同じ特性を測定する別のランダム変数に置き換えられる。
論文参考訳（メタデータ） (2021-04-26T11:47:54Z)
Fake it Till You Make it: Self-Supervised Semantic Shifts for Monolingual Word Embedding Tasks [58.87961226278285]
語彙意味変化をモデル化するための自己教師付きアプローチを提案する。本手法は,任意のアライメント法を用いて意味変化の検出に利用できることを示す。 3つの異なるデータセットに対する実験結果を用いて,本手法の有用性について述べる。
論文参考訳（メタデータ） (2021-01-30T18:59:43Z)

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。