Fugu-MT 論文翻訳(概要): Probabilistic Counterfactual Inference for Discrete Outcomes in Gaussian-Process Causal Models

論文の概要: Probabilistic Counterfactual Inference for Discrete Outcomes in Gaussian-Process Causal Models

arxiv url: http://arxiv.org/abs/2610.08689v1
Date: Tue, 06 Oct 2026 17:06:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 02:58:30.136881
Title: Probabilistic Counterfactual Inference for Discrete Outcomes in Gaussian-Process Causal Models
Title（参考訳）: ガウス-手続き因果モデルにおける離散結果の確率的対実推定
Abstract要約: 不均一な変数型による反ファクト推論のための統一確率的フレームワークを提案する。二変数に対する一様しきい値を用いた条件付きノイズ除去法を導出する。結合ミス特定に対する評価精度,一貫性,ロバスト性を評価した。
参考スコア（独自算出の注目度）: 5.02231401459109
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Counterfactual inference in Gaussian-process structural causal models (GP-SCMs) has been developed primarily for continuous endogenous variables, limiting applicability to causal graphs that contain discrete child nodes with continuous parents. We introduce a unified probabilistic framework for counterfactual inference with heterogeneous variable types by pairing GP predictors with explicit exogenous noise mechanisms. For discrete outcomes, we derive exact conditional noise-abduction procedures using a uniform threshold for binary variables, a Gumbel-max race for nominal categories, and a latent Gaussian cut-point model for ordinal ones. In each case, we propagate abducted noise through interventions while accounting for posterior uncertainty in the GP latent functions, and prove that the resulting mechanisms reproduce the fitted model's observational and interventional distributions. On synthetic SCMs with known ground-truth counterfactuals, we evaluate estimation accuracy, consistency, and robustness to coupling misspecification. A key finding is that applying a categorical coupling to ordinal data inflates counterfactual error roughly threefold even when observational fit remains comparable, and that this error does not diminish with more data. As the training set grows, the fitted structural equation converges to the truth while the counterfactual error flattens onto a floor. In the reverse direction, forcing a false order onto nominal data instead degrades the fitted equation itself. The choice of coupling must therefore be justified on structural grounds rather than read off the fit.
Abstract（参考訳）: ガウス過程構造因果モデル(GP-SCM)における因果推論は、主に連続した内因性変数に対して開発され、連続的な親を持つ個別の子ノードを含む因果グラフに適用性に制限されている。 GP予測器と明示的な外因性雑音機構をペアリングすることにより,不均一な変数型を推定するための統一確率的フレームワークを提案する。離散的な結果を得るためには、バイナリ変数の統一しきい値、名目カテゴリーのGumbel-maxレース、順序変数の潜在ガウスカットポイントモデルを用いて、厳密な条件付きノイズ除去手順を導出する。いずれの場合も、GP潜伏関数の後方不確かさを考慮しつつ、介入によって引き起こされたノイズを伝搬させ、その結果のメカニズムが適合モデルの観察的および介入的分布を再現することを証明する。既知の地絡反事実を持つ合成SCMについて, 結合ミス特異性に対する推定精度, 一貫性, 堅牢性を評価する。鍵となる発見は、順序データにカテゴリ結合を適用することで、観測値が同等であっても、ほぼ3倍の反ファクト誤差が膨らみ、この誤差がより多くのデータで減少しないことである。トレーニングセットが大きくなると、適合した構造方程式は真実に収束し、反実誤差はフロアに平らになる。逆方向では、偽順序を名目データに強制する代わりに、適合した方程式自体を分解する。したがって、結合の選択は適合性を読み取るのではなく、構造的な根拠で正当化されなければならない。

関連論文リスト

Functional Causal Discovery via Conditional Covariance Ordering [6.745683852975453]
本研究では,各ノードがランダム関数である因果探索について検討する。機能的付加型雑音モデルの下では,有効位相順序を同定するに足る新しい条件を提案する。
論文参考訳（メタデータ） (2026-09-23T02:41:45Z)
Causal Variational Deep Embedding: A Family of Interventional Generators for Confounded Images [23.146237151956765]
CauVaDEは多様な介入サンプルを生成し、未確立の参照に対してFIDを改善している。画像データベンチマークの実験では、CauVaDEは様々な介入サンプルを生成し、未確立の参照に対してFIDを改善している。
論文参考訳（メタデータ） (2026-06-19T23:59:14Z)
From Scores to Gibbs Correctors: Accelerating Uniform-Rate Discrete Diffusion Models [58.02657021435213]
我々は、Gibs-Accelerated Discrete Diffusion (GADD)と呼ばれる離散拡散モデルのための新しいGibsベースの修正器を提案する。我々はGADDが$mathcalO(mathrmpolylog (varepsilon-1)$の総合的なサンプリング複雑性を達成し、均一レートの離散拡散モデルに対する拡散に基づくサンプリング者にとって最初のレートとなることを示す。
論文参考訳（メタデータ） (2026-05-26T17:52:28Z)
Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting [1.5939955861266883]
本稿では,介入主義的,厳密な統計的ベンチマークへのパラダイムシフトを提案する。我々は,ブラックボックスシーケンスマッチングゲームから正確な分布推定タスクに予測を変換する。我々は、最先端のゼロショットモデルがコンテキストパロッキング機構と一貫して振る舞うことを発見した。
論文参考訳（メタデータ） (2026-03-23T17:14:11Z)
Coarsening Bias from Variable Discretization in Causal Functionals [0.8880611506199766]
因果効果関数のクラスは連続変数の条件付き密度に対する積分を必要とする。離散化は人口レベルの機能を変化させ、無視できない近似バイアスを引き起こす。そこで本研究では,インバービン条件付き手法で結果の回帰を評価する簡易なバイアス低減関数を提案する。
論文参考訳（メタデータ） (2026-02-25T16:32:04Z)
Data-Driven Information-Theoretic Causal Bounds under Unmeasured Confounding [10.590231532335691]
本研究では,データ駆動型情報理論フレームワークを開発し,条件付き因果関係の同定を行う。我々の重要な理論的貢献は、観測分布 P(Y | A = a, X = x) と干渉分布 P(Y | do(A = a), X = x) の間の f-分割が、確率スコアのみの関数によって上界であることが示している。この結果により、外部感度パラメータ、補助変数、完全な構造仕様、結果境界性仮定を必要とせず、観測データから直接条件因果効果を鋭く同定することができる。
論文参考訳（メタデータ） (2026-01-23T20:47:48Z)
Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文参考訳（メタデータ） (2023-06-01T10:51:58Z)
Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文参考訳（メタデータ） (2021-09-06T14:52:58Z)
Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文参考訳（メタデータ） (2020-11-04T10:25:13Z)
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。