論文の概要: Causally Fair Generation with Large Language Models

• arxiv url: http://arxiv.org/abs/2610.04444v1
• Date: Sat, 03 Oct 2026 11:14:12 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:42:15.071551
• Title: Causally Fair Generation with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた因果フェアジェネレーション
• Abstract要約: 大規模言語モデル(LLM)を用いたCausally Fair Generation(CFG)を紹介する。 CFGは、関連概念、基準人口と因果図の基底生成を抽出し、ユーザ選択因果効果を除去する。 適応人口モデルにおける差別的因果効果をすべて排除する上で,本手法を公式に保証する。
• 参考スコア（独自算出の注目度）: 30.044160258606734
• License:
• Abstract: Large language models (LLMs) are increasingly used to generate, complete, and transform information in settings where their outputs can shape consequential decisions, raising concerns about their impact on demographic disparities. In this context, causal inference provides a principled basis for assessing fairness, because it attributes observed disparities to the mechanisms that generated them, which a purely statistical approach cannot do even with infinite data. In LLM generation, a query may request several causally related variables, each of which is both an outcome of interest and a possible cause of other outputs, and the information supplied in the prompt need not follow a topological or a temporal order. This calls for methods that can analyze and selectively remove disparities from such a flexible generation process. In this paper we introduce Causally Fair Generation with LLMs (CFG, for short). CFG extracts relevant concepts, grounds generation in a reference population and causal diagram, and removes user-selected causal effects. CFG also allows pathways deemed justifiable for the task's utility to be retained, which is known in legal literature as business necessity. Further, we provide formal guarantees for our method when eliminating all discriminatory causal effects in the adapted population model, under appropriate causal assumptions. We evaluate CFG with four LLMs in three real-world settings based on population data and on a synthetic dataset with a known causal ground truth.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、アウトプットが連続的な決定を形作るような設定で情報を生成、完成、変換するためにますます使われており、人口格差への影響に対する懸念が高まっている。 この文脈では、因果推論は、観測された相違がそれらを生成するメカニズムに起因しており、純粋に統計的アプローチは無限のデータでもできないため、公正性を評価するための原則化された基礎を提供する。 LLM生成では、クエリはいくつかの因果関係変数を要求することができ、それぞれが興味の結果であり、他の出力の原因となる可能性がある。 これによって、このようなフレキシブルな生成プロセスから格差を分析し、選択的に除去できる方法が求められます。 本稿では,LLM(CFG)を用いたCausally Fair Generationを紹介する。 CFGは、関連概念、基準人口と因果図の基底生成を抽出し、ユーザ選択因果効果を除去する。 CFGはまた、タスクの効用を維持可能であると判断される経路を許可する。 さらに、適切な因果仮定の下で、適応された集団モデルにおける全ての差別因果効果を除去する際の方法の正式な保証を提供する。 我々は,3つの実世界環境における4つのLCMを用いたCFGを,人口データと既知の因果基底真理を持つ合成データセットに基づいて評価した。

関連論文リスト

• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• Information-Theoretic Limits of Reliability and Scaling in Language Models [6.658166782006281]
  大規模言語モデル(LLM)は、十分なスケールのタスクに対して、完全な信頼性が達成可能であるかのように評価される。 この仮定は情報理論的に不当であることを示す。 我々の研究は、ドメイン間のモデルパフォーマンスを管理するリソース・複雑さのトレードオフを形式化します。
  論文  参考訳（メタデータ） (2026-05-08T06:06:18Z)
• LLM-Assisted Causal Structure Disambiguation and Factor Extraction for Legal Judgment Prediction [4.655574344274635]
  本稿では,大規模言語モデルと統計的因果探索を融合した拡張因果推論フレームワークを提案する。 提案手法は,予測精度とロバスト性の両方において,最先端のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-03-12T02:14:16Z)
• Small Changes, Large Consequences: Analyzing the Allocational Fairness of LLMs in Hiring Contexts [19.20592062296075]
  大規模言語モデル(LLM)は、採用のような高度なアプリケーションにますますデプロイされている。 本研究は、実際の人事利用を反映した2つのタスクを通して、LLMベースの採用システムの割当公平性を検討する。
  論文  参考訳（メタデータ） (2025-01-08T07:28:10Z)
• Language Agents Meet Causality -- Bridging LLMs and Causal World Models [50.79984529172807]
  因果表現学習を大規模言語モデルと統合する枠組みを提案する。 このフレームワークは、自然言語表現に関連付けられた因果変数を持つ因果世界モデルを学ぶ。 本研究では,時間的スケールと環境の複雑さを考慮した因果推論と計画課題の枠組みを評価する。
  論文  参考訳（メタデータ） (2024-10-25T18:36:37Z)
• Large Language Models for Constrained-Based Causal Discovery [4.858756226945995]
  因果関係は経済、脳、気候といった複雑なシステムを理解するのに不可欠である。 この研究は、因果グラフ生成のためのドメインエキスパートの代替として、LLM(Large Language Models)の能力を探求する。
  論文  参考訳（メタデータ） (2024-06-11T15:45:24Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• A Causal Ordering Prior for Unsupervised Representation Learning [27.18951912984905]
  因果表現学習(Causal representation learning)は、データセットの変動の要因は、実際には因果関係にあると主張している。 本稿では,遅延付加雑音モデルを用いたデータ生成過程を考慮した,教師なし表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-11T18:12:05Z)

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。