論文の概要: sHAIL-Causal: A Sequential Staircase Procedure for Invariant Causal Predictor Discovery

• arxiv url: http://arxiv.org/abs/2610.07057v1
• Date: Mon, 05 Oct 2026 04:36:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.536855
• Title: sHAIL-Causal: A Sequential Staircase Procedure for Invariant Causal Predictor Discovery
• Title（参考訳）: sHAIL-Causal-Invariant Causal Predictor Discoveryのためのシークエンシャルステアケース
• Abstract要約: sHAIL-Causalは、仮説クラスのネストされた階層を昇華するシーケンシャルな階段である。 我々は, 優柔不断な検索が, リッチネスの下でも因果関係の回復に失敗することを示した。 次に、保証をシーケンシャルに到着する環境に拡張し、到着するたびに有効である信頼性を保証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce sHAIL-Causal, the causal specialization of the Saturated Hierarchical Atomic Incremental Learning (sHAIL) paradigm: a sequential staircase procedure that ascends a nested hierarchy of hypothesis classes H_0 < H_1 < ... < H_K once a saturation signal indicates that mastery of the current stage has plateaued. Where general sHAIL leaves the saturation criterion open, sHAIL-Causal instantiates it with a joint criterion of goodness-of-fit saturation and cross-environment invariance, replacing the complexity control of Structural Risk Minimization. We show, theoretically and by simulation, that complexity-only staircases are seduced by confounded predictors that lower empirical risk without reflecting stable causal structure, whereas an invariance-gated staircase provably halts at the true causal predictor set under a per-variable Richness condition. We show that naive greedy search fails to recover the causal set even under Richness, trace the failure to non-monotonicity of the invariance statistic along single-variable paths, and validate a fix combining bounded-exhaustive block-seeding with a calibrated acceptance threshold. We then extend the guarantee to environments arriving sequentially, yielding a confidence guarantee that stays valid at every arrival, which one-shot exhaustive search cannot offer without repeating its full combinatorial search. We close by formalizing the intervention of a wise teacher who lifts a saturated learner off a plateau of boredom.
• Abstract（参考訳）: 本稿では,飽和階層的原子増分学習(sHAIL)パラダイムの因果的特殊化であるsHAIL-Causalを紹介した。 一般の sHAIL が飽和基準を開放する際、sHAIL-Causal は、構造的リスク最小化の複雑さ制御を置き換え、良質な飽和と環境横断不変性の合同基準でそれをインスタンス化する。 理論的およびシミュレーションにより、複雑性のみの階段は、安定な因果構造を反映せずに経験的リスクを低く抑える共起予測器によって誘引され、一方、不変リッチネス条件下で設定された真の因果予測器では、不変なゲート付き階段が確実に停止することを示す。 そこで本研究では, 単変量経路に沿った不均一統計の非単調性への障害を追及し, 有界・排他的ブロック探索と校正受入閾値との整合性を検証した。 次に、連続して到着する環境に保証を拡大し、到着する度に有効である信頼保証を与え、一発の徹底的な検索は、完全な組合せ探索を繰り返すことなく提供できない。 退屈の台地から飽和学習者を持ち上げる賢明な教師の介入を形式化する。

関連論文リスト

• Dangerous Liaisons of Convex Learning and Non-Affine Aggregation [19.624245500772027]
  最後の項目収束と一般化は、更新演算子の単調性に対する一階凸学習ヒンジの保証である。 非アフィンアグリゲーションは安定した収束を防ぎ、アルゴリズムの安定性を著しく低下させる。 この結果は,現代の学習システムで観測される相異なる障害モードを説明する統一的な理論フレームワークを提供する。
  論文  参考訳（メタデータ） (2026-06-26T14:24:11Z)
• The Loss Is Not Enough: Sampling Conditions and Inductive Bias in Contrastive Representation Learning [2.575874871258672]
  多様性条件を定式化する測度理論の枠組みを開発する。 標準のフルサポートvon Mises-Fisher設定が多様性条件の満足度を示すことを示す。 本研究は, 比較表現学習において, サンプリング機構と帰納バイアスがどのように相互作用するかを明らかにするものである。
  論文  参考訳（メタデータ） (2026-06-02T23:08:30Z)
• Shift Before You Learn: Enabling Low-Rank Representations in Reinforcement Learning [56.87989363424]
  シフトした後継尺度において,低ランク構造が自然に現れることを示す。 有効な低ランク近似と推定に必要なシフトの量を定量化する。
  論文  参考訳（メタデータ） (2025-09-05T15:48:20Z)
• Convergence and Generalization of Anti-Regularization for Parametric Models [0.0]
  反正則化は損失関数に逆符号を持つ報酬項を導入する。 スペクトル安全性条件と信頼領域制約を定式化する。 我々は、プロジェクション演算子と勾配クリッピングを組み合わせた軽量な安全ガードを設計し、安定した介入を保証する。
  論文  参考訳（メタデータ） (2025-08-24T15:34:17Z)
• Exploiting hidden structures in non-convex games for convergence to Nash equilibrium [62.88214569402201]
  現代の機械学習アプリケーションは、非協調的なナッシュリリアとして定式化することができる。 決定論的環境と決定論的環境の両方に明確な収束保証を提供する。
  論文  参考訳（メタデータ） (2023-12-27T15:21:25Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Model-Based Uncertainty in Value Functions [89.31922008981735]
  MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。 従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
  論文  参考訳（メタデータ） (2023-02-24T09:18:27Z)
• Stochastic Gradient Descent-Ascent and Consensus Optimization for Smooth Games: Convergence Analysis under Expected Co-coercivity [49.66890309455787]
  本稿では,SGDA と SCO の最終的な収束保証として,期待されるコヒーレンシティ条件を導入し,その利点を説明する。 定常的なステップサイズを用いた場合、両手法の線形収束性を解の近傍に証明する。 我々の収束保証は任意のサンプリングパラダイムの下で保たれ、ミニバッチの複雑さに関する洞察を与える。
  論文  参考訳（メタデータ） (2021-06-30T18:32:46Z)

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。