論文の概要: Causal Integrated Gradients: Scalable Feature Attribution Along Causal Paths

• arxiv url: http://arxiv.org/abs/2610.22126v1
• Date: Thu, 15 Oct 2026 16:02:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.182094
• Title: Causal Integrated Gradients: Scalable Feature Attribution Along Causal Paths
• Title（参考訳）: Causal Integrated Gradients:Causalパスに沿ったスケーラブルな特徴属性
• Abstract要約: 我々は因果統合勾配(CIG)と因果期待勾配(CEG)を提案する。 CIGは、その計算効率を保ちつつ、その因果グラフ上の条件の下では、その公理的保証を維持しながら、入力特徴に先行因果構造を取り入れている。
• 参考スコア（独自算出の注目度）: 43.714067294306716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing feature attribution methods that account for feature dependencies do not scale to high dimensions. We propose causal integrated gradients (CIG) and causal expected gradients (CEG), which extend integrated gradients to incorporate prior causal structure among input features while retaining its computational efficiency and, under conditions on the causal graph, its axiomatic guarantees. In many settings, some causal structure between features is already known, for example, that a transcription factor causally regulates a target gene's expression. Yet existing gradient-based methods cannot exploit this structure, instead crediting a feature's downstream effects over its true upstream cause, such as ranking the target gene above the transcription factor that regulates it. Our key idea is to embed this causal structure by routing the integration path along the causal graph. The method thereby decomposes each feature's attribution into a direct effect and effects mediated through its causal descendants. We evaluate CIG in three settings of increasing realism. First, on a synthetic benchmark with a known causal model, CIG's attributions best match the ground-truth causal effect from Pearl's do-calculus, matching the accuracy of causal Shapley values at a fraction of the computational cost. Second, on simulated single-cell gene expression data with a known gene regulatory network (Dyngen), CIG most accurately recovers the transcription factors driving the simulation. Third, on real interferon-$β$ stimulation data, where only an approximate causal graph is available, CIG better prioritizes the transcription factors driving the measured response than DeepSHAP and integrated gradients. Together, these results show that incorporating causal structure into gradient-based attributions recovers upstream drivers that existing methods miss, without sacrificing scalability.
• Abstract（参考訳）: 既存の機能属性メソッドでは、機能依存関係は高次元にスケールしない。 本稿では,その計算効率を維持しつつ,また因果グラフの条件下でも,その公理的保証を保ちつつ,入力特徴の間に因果構造を組み込むように積分勾配を拡張した因果積分勾配 (CIG) と因果期待勾配 (CEG) を提案する。 多くの設定では、例えば転写因子が標的遺伝子の発現を因果的に調節するなど、特徴間の因果構造がすでに知られている。 しかし、既存の勾配に基づく手法では、この構造を利用することができず、代わりに、特徴の下流効果を、その上流にある真の原因(例えば、その転写を調節する転写因子の上の標的遺伝子をランク付けするなど)を信用する。 私たちのキーとなる考え方は、因果グラフに沿った積分経路をルーティングすることで、この因果構造を埋め込むことです。 これにより、各特徴の属性を、その因果的子孫を介して媒介される直接的な効果と効果に分解する。 我々はCIGを現実主義の増大の3つの条件で評価する。 第一に、既知の因果モデルによる合成ベンチマークにおいて、CIGの属性はパールのdo-calculusの真真正因果効果と最もよく一致し、因果シャプリー値の精度を計算コストのごく一部で一致させる。 第2に、既知の遺伝子制御ネットワーク(Dyngen)を用いたシミュレーション単一細胞遺伝子発現データにおいて、CIGはシミュレーションを駆動する転写因子を最も正確に回復する。 第3に、およそ因果グラフのみが利用可能な実際のインターフェロン$β$刺激データにおいて、CIGはDeepSHAPと統合勾配よりも、測定された応答を駆動する転写因子をより優先する。 これらの結果から,因果構造を勾配に基づく属性に組み込むことで,既存の手法が欠落している上流ドライバを,スケーラビリティを犠牲にすることなく回復できることがわかった。

関連論文リスト

• Causal ASCEND: Scalable Two-tier Causal Discovery on High Dimensional Multi-omics Data [0.0]
  ASCENDは、既知の2層構造を利用してゲノムスケールの因果発見を可能にする制約ベースのフレームワークである。 ASCENDは、祖先関係を正確に回復し、既存の遺伝子制御ネットワーク推論手法よりも適切に、はるかに高速にスケールする。 上流レギュレータ(SNP、メチル化部位など)と下流応答(遺伝子発現など)を共同で測定するマルチオミックデータの統合に特に適している。
  論文  参考訳（メタデータ） (2026-07-05T22:22:35Z)
• When Attribution Patching Lies: Diagnosis and a Second-Order Correction [9.338965648455238]
  本研究は, 下流ネットワークの非直線性に起因する誤差が, パッチ成分の局所曲率よりも大きいことを示す。 この洞察は、(i)信頼できない見積もりを検出するための信頼性スコア、(ii)エラー境界がポテンシャル属性の誤特定を定量化すること、(iii)Hessian-vector-product correctが1つの後進パスで先行エラーを除去すること、の3つの実用的なツールをもたらす。
  論文  参考訳（メタデータ） (2026-06-05T05:20:32Z)
• Unbiased Gradient Estimation for Event Binning via Functional Backpropagation [64.88399635309918]
  バックプロパゲーション中に弱微分を合成することにより任意の双対関数の非バイアス勾配推定のための新しいフレームワークを提案する。 自己監督型光流ではECEが9.4%,SLAMでは5.1%低下し,事象に基づく視覚知覚において大きなメリットが示された。
  論文  参考訳（メタデータ） (2026-02-13T04:05:03Z)
• Score-based Integrated Gradient for Root Cause Explanations of Outliers [36.22407522337513]
  本稿では,データ確率のスコア関数を推定することにより,外れ値の根本原因を特徴付ける,新規でスケーラブルな手法であるSIRENを紹介する。 本手法は, ダミー, 効率, 線形性の4つの古典的シャプリー値公理と, 基礎となる因果構造から導出される非対称性公理の3つを満たす。
  論文  参考訳（メタデータ） (2026-01-29T23:11:01Z)
• Root Cause Explanation of Outliers under Noisy Mechanisms [50.59446568076628]
  因果過程は、しばしばグラフとしてモデル化され、エンティティはノードであり、パス/インターコネクションはエッジである。 既存の作業は、生成プロセスにおけるノードの寄与のみを考慮している。 根本原因を特定する際,各メカニズムの個々のエッジとノードについて検討する。
  論文  参考訳（メタデータ） (2023-12-19T03:24:26Z)
• Causality is all you need [63.10680366545293]
  因果グラフルーティング(Causal Graph Routing, CGR)は、データに隠された原因影響力を明らかにするための介入機構を完全に依存した統合因果スキームである。 CGRは、Visual Question AnswerとLong Document Classificationタスクの両方において、最先端のメソッドを超越することができる。
  論文  参考訳（メタデータ） (2023-11-21T02:53:40Z)
• Efficient Transfer Learning via Causal Bounds [8.981637739384674]
  我々は、因果側情報がどのようにオンライン学習を加速するかを分析し、データ削減の実験を行う。 我々の分析は、因果側情報がどのようにオンライン学習を加速させるか、およびデータ削減の実験を正確に特徴付ける。
  論文  参考訳（メタデータ） (2023-08-07T13:24:50Z)
• Reinforced Causal Explainer for Graph Neural Networks [112.57265240212001]
  グラフニューラルネットワーク(GNN)の探索には説明可能性が不可欠である 我々は強化学習エージェントReinforced Causal Explainer (RC-Explainer)を提案する。 RC-Explainerは忠実で簡潔な説明を生成し、グラフを見えなくするより優れたパワーを持つ。
  論文  参考訳（メタデータ） (2022-04-23T09:13:25Z)

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。