Fugu-MT 論文翻訳(概要): Causal Robustness from Synthetic Environments

論文の概要: Causal Robustness from Synthetic Environments

arxiv url: http://arxiv.org/abs/2610.26250v1
Date: Mon, 19 Oct 2026 12:10:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-23 18:42:12.559283
Title: Causal Robustness from Synthetic Environments
Title（参考訳）: 合成環境からの因果ロバスト性
Abstract要約: 堅牢な予測のための因果性指向の手法は通常、観測された環境全体にわたって不均一性を使用する。本研究では, 構造的付加雑音機構により, 双方を一つの分布から復元可能であることを示す。
参考スコア（独自算出の注目度）: 5.763453235526434
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study robust prediction when the training data come from a single observational distribution. Causality-oriented methods for robust prediction usually use heterogeneity across observed environments both to learn an invariant prediction function and to determine the perturbations against which it is robust. We show that both can be recovered from one distribution under a structural additive-noise mechanism for the response. Under the structural model considered here, the causal prediction function has constant conditional mean squared error given its prediction. We generate synthetic environments by reweighting the covariate distribution along the prediction and use a Cramér--von Mises criterion to measure departures from this invariance. The resulting penalised risk admits a regularised worst-case representation, linking the criterion to robustness against covariate shifts induced by reweighting observations according to their predicted values. Under an additional orthogonality condition, we identify the causal prediction function as the unique risk minimiser subject to this invariance restriction. We establish consistency and an explicit rate, derive a goodness-of-fit test for the invariance restriction, and characterise the population target under misspecification. With multiple observed environments, the construction applies environment by environment and can be combined with Distributional Robustness via Invariant Gradients (DRIG) to control two complementary classes of shifts.
Abstract（参考訳）: 本研究では,1つの観測分布からトレーニングデータが得られた場合のロバストな予測について検討する。頑健な予測のための因果性指向の手法は、通常、不変な予測関数を学習し、それが堅牢である摂動を決定するために、観測環境間の不均一性を利用する。本研究は, 応答に対する構造的付加雑音機構の下で, 双方を一つの分布から回収できることを示唆する。ここで考慮された構造モデルの下では、因果予測関数は、その予測により条件平均2乗誤差が一定である。我々は予測に沿って共変量分布を再重み付けして合成環境を生成し、この不変性から逸脱を測定するためにクラメール-ヴォン・ミセス基準を用いる。結果として生じるペナル化リスクは、予測値に従って観測を重み付けすることによって引き起こされる共変量シフトに対して、基準をロバスト性にリンクすることで、規則化された最悪のケース表現を許容する。追加の直交条件下では、因果予測関数を、この不変性制約を受けるユニークなリスク最小化器として同定する。我々は、一貫性と明示率を確立し、不等式制限の適性試験を導出し、不特定条件下での人口目標を特徴づける。複数の観測環境において、構成は環境ごとに適用され、2つの相補的なシフトのクラスを制御するために、不変勾配(DRIG)を介して分散ロバストネスと組み合わせることができる。

関連論文リスト

Score Mismatch and Set-Constrained Sampling in Zero-Shot Conditional Discrete Diffusion [66.0716790920952]
スコアミスマッチした離散拡散モデルに対する最初の理論的解析を行う。このようなミスマッチによる追加バイアスを明確に識別する一般KL発散上限を導出する。代入確率は吸収率で無条件スコアで正確に表現できることを示す。
論文参考訳（メタデータ） (2026-10-15T01:05:30Z)
Augmented Inverse Hybrid Weighting: Robust Inference under Deterministic and Random Distribution Shifts [17.842727239557995]
本稿では,制度的なシフトを考慮に入れた上で,2つの集団法間の非体系的な変化を可能にする新しいモデルを提案する。このような残留シフトは、学習可能な方法で表現できない確率空間へのランダムな摂動としてモデル化される。純粋なランダム摂動の下で、この原理は回帰増強と分散-最適データセットレベルプーリングを使用するAIDW(Augmented Inverse Distance Weighting)をもたらす。 AIDWと標準強調重み付けを補間するAIHW(Augmented Inverse Hybrid Weighting)を開発した。
論文参考訳（メタデータ） (2026-08-01T15:02:13Z)
Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-24T07:31:55Z)
Environment-Adaptive Covariate Selection: Learning When to Use Spurious Correlations for Out-of-Distribution Prediction [33.69413571438309]
結果の真の原因のサブセットのみを観測した場合に,アウト・オブ・ディストリビューション予測が失敗することを示す。環境適応型共変量選択アルゴリズムを提案する。 EACSは、様々な分布シフトの下で静的因果、不変、およびERMベースの予測器を一貫して上回る。
論文参考訳（メタデータ） (2026-01-05T18:13:02Z)
Causal vs. Anticausal merging of predictors [57.26526031579287]
同じデータを用いて、因果方向と反因果方向の融合予測器から生じる差について検討した。帰納的バイアスとしてCausal Maximum Entropy (CMAXENT) を用いて予測器をマージする。
論文参考訳（メタデータ） (2025-01-14T20:38:15Z)
Learning When the Concept Shifts: Confounding, Invariance, and Dimension Reduction [5.38274042816001]
観測データでは、分布シフトは観測されていない共起因子によって駆動されることが多い。このことは、観測データを用いた領域適応問題の研究を動機付けます。学習した低次元部分空間を用いて、ターゲットとソースのリスクの間にほぼ理想的なギャップを生じさせるモデルを示す。
論文参考訳（メタデータ） (2024-06-22T17:43:08Z)
Causality-oriented robustness: exploiting general noise interventions [4.64479351797195]
本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。 DRIGはトレーニングデータにおける一般的なノイズ介入を利用して、目に見えない介入に対する堅牢な予測を行う。我々のフレームワークには特別なケースとしてアンカー回帰が含まれており、より多様な摂動から保護される予測モデルが得られることを示す。
論文参考訳（メタデータ） (2023-07-18T16:22:50Z)
CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文参考訳（メタデータ） (2021-09-07T09:38:24Z)
Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
本稿では、因果的観点からの包括的ミニマックス分析について述べる。最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
論文参考訳（メタデータ） (2021-07-05T09:07:29Z)
Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文参考訳（メタデータ） (2020-11-04T10:00:27Z)
On Model Identification and Out-of-Sample Prediction of Principal Component Regression: Applications to Synthetic Controls [20.96904429337912]
固定設計による高次元誤差変数設定における主成分回帰(PCR)の解析を行う。我々は、最もよく知られたレートで改善される非漸近的なアウト・オブ・サンプル予測の保証を確立する。
論文参考訳（メタデータ） (2020-10-27T17:07:36Z)

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。