論文の概要: Towards Realistic Models of Change: A Causal Perspective on Decision-Making and Dynamical Systems

• arxiv url: http://arxiv.org/abs/2610.28803v1
• Date: Tue, 20 Oct 2026 18:26:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.122037
• Title: Towards Realistic Models of Change: A Causal Perspective on Decision-Making and Dynamical Systems
• Title（参考訳）: 変革の現実モデルに向けて:意思決定と力学系の因果的展望
• Abstract要約: 因果関係モデルは、表面レベルの関連よりも変化の基盤となるメカニズムに焦点を当てている。 これにより、システムはデータから学ぶだけでなく、仮説的なシナリオを推論し、新しい環境に適応し、より良い意思決定を伝えることができる。 この論文は、これらのアプローチが相互に2つの部分でどのように情報を伝達するかを探求する。
• 参考スコア（独自算出の注目度）: 1.14219428942199
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: While statistical learning has made remarkable progress in recent decades, driven by large datasets and data-driven protocols that have transformed scientific practice, it still faces a key limitation: it struggles to generalize beyond the data it has seen, often failing under distribution shift. Causality offers a promising solution: causal models focus on the underlying mechanisms of change rather than surface-level associations, enabling robust reasoning under external interventions. This allows systems not only to learn from data, but also to reason about hypothetical scenarios, adapt to new environments, and inform better decisions. This thesis explores how these approaches can inform each other, in two parts. The first part examines algorithmic recourse, that is, identifying which changes an individual can make to overturn an unfavorable decision. We propose an alternative perspective to the established framework, arguing for a more realistic cost function, a reformulation of the problem in causal terms, and the inclusion of a temporal dimension in policy evaluation. The second part focuses on dynamical systems, extending the notions of causal interventions and effects to discrete and continuous stochastic processes. We show that the equilibria of these processes, and how they change following an intervention, can be linked to Structural Causal Models (SCMs), viewed as compressed representations of the underlying temporal dynamics. We argue for the relevance of such temporal causal models, since in real-world scenarios actions take time to produce their effects. The common goal of both parts is practical: the utility, robustness, and trustworthiness of these models depend critically on their ability to realistically represent the underlying phenomena.
• Abstract（参考訳）: 統計学習は、科学的な実践を変革した大規模なデータセットやデータ駆動プロトコルによって、ここ数十年で目覚ましい進歩を遂げてきたが、それでも重要な限界に直面している。 因果モデル(Cousal model)は、表面レベルの関連ではなく、変化の基盤となるメカニズムに焦点を当て、外部の介入の下で堅牢な推論を可能にする。 これにより、システムはデータから学習するだけでなく、仮説的なシナリオを推論し、新しい環境に適応し、より良い意思決定を伝えることができます。 この論文は、これらのアプローチが相互に2つの部分でどのように情報を伝達するかを探求する。 第一部では、アルゴリズムの関連性、すなわち、個人がどのような変更を行い、好ましくない決定を覆すことができるかを検証します。 本稿では, より現実的なコスト関数, 因果関係における問題の改革, 政策評価における時間次元の包含を論じ, 確立された枠組みの代替的視点を提案する。 第2部は力学系に焦点を当て、因果的介入の概念と効果を離散的かつ連続的な確率過程へと拡張する。 これらのプロセスの平衡性、および介入後の変化は、基礎となる時間力学の圧縮された表現と見なされる構造因果モデル(Structure Causal Models, SCM)とリンク可能であることを示す。 実世界のシナリオでは、アクションは効果を生み出すのに時間がかかるので、このような時間的因果モデルとの関連性について論じる。 これらのモデルの実用性、堅牢性、信頼性は、基礎となる現象を現実的に表現する能力に依存している。

関連論文リスト

• A Practical Approach to Causal Inference over Time [17.660953125689105]
  我々は因果介入とその時間的影響を離散時間プロセス(DSP)に定義する。 因果介入前後のDSPの平衡状態が構造因果モデル(SCM)によって把握できる条件を示す。 得られた因果VARフレームワークにより、観測時系列データから経時的に因果推論を行うことができる。
  論文  参考訳（メタデータ） (2024-10-14T13:45:20Z)
• DAG-aware Transformer for Causal Effect Estimation [0.8192907805418583]
  因果推論は、医療、経済学、社会科学などの分野における重要な課題である。 本稿では,これらの課題を克服する因果推論のためのトランスフォーマーを用いた新しい手法を提案する。 我々のモデルの中核となる革新は、注意機構に直接因果非巡回グラフ(DAG)を統合することである。
  論文  参考訳（メタデータ） (2024-10-13T23:17:58Z)
• Causal Temporal Representation Learning with Nonstationary Sparse Transition [22.6420431022419]
  Causal Temporal Representation Learning (Ctrl) 法は、複雑な非定常時間列の時間的因果ダイナミクスを特定することを目的としている。 この研究は、人間の直感的な理解と整合したスパース遷移の仮定を採用し、理論的な観点から識別可能性の結果を提示している。 本稿では,非定常スパース遷移を用いた因果時間表現学習(CtrlNS)を提案する。
  論文  参考訳（メタデータ） (2024-09-05T00:38:27Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)

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。