論文の概要: CausalGrade: Evidence-Guided Causal Graph Scoring with Jev

• arxiv url: http://arxiv.org/abs/2610.40692v1
• Date: Wed, 28 Oct 2026 07:33:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.445961
• Title: CausalGrade: Evidence-Guided Causal Graph Scoring with Jev
• Title（参考訳）: CausalGrade: JevによるEvidence-Guided Causal Graph Scoring
• Abstract要約: CausalGradeは確率的判断モデルJevに基づく因果グラフスコアリング手法である。 500の合成グラフ選択タスクにおいて、CausalGradeは54.4%の最良のヒット率を達成し、Self-Compatibility Metrics (_G)によって達成された48.4%を超える。
• 参考スコア（独自算出の注目度）: 10.44399414094161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evaluating the structural quality of candidate causal graphs when the true causal structure is unknown is an important problem in applying causal discovery results. This paper proposes CausalGrade, a causal graph scoring method based on the probabilistic judgment model Jev. The method jointly provides Jev with evidence of association, conditional dependence, and directionality from observational data and edge probabilities produced by the causal discovery foundation model CDFM. Jev produces probabilistic judgments about direct causal edges, and a graph-level score is obtained by measuring the agreement between the adjacency structure of the graph under evaluation and these edge-level judgments. Across 300 synthetic datasets, the score exhibits a relatively strong negative correlation with structural error in all 20 combinations of four causal discovery algorithms and five variable counts, indicating that higher scores generally correspond to smaller structural errors. In 500 synthetic graph selection tasks, CausalGrade achieves a best-candidate hit rate of 54.4\%, exceeding the 48.4\% achieved by the Self-Compatibility metric \(κ_G\), further supporting its ability to discriminate the structural quality of graphs under evaluation.
• Abstract（参考訳）: 真の因果構造が不明な場合の因果グラフの構造的品質を評価することは因果発見結果を適用する上で重要な問題である。 本稿では,確率的判断モデルJevに基づく因果グラフスコアリング手法CausalGradeを提案する。 本手法は、因果発見基盤モデルCDFMにより生成された観測データとエッジ確率との関連性、条件依存性、方向性の証拠をJevと共同で提供する。 Jevは直接因果エッジに関する確率的判断を生成し、評価中のグラフの隣接構造とこれらのエッジレベルの判定との一致を測定してグラフレベルスコアを得る。 300の合成データセットで、このスコアは4つの因果探索アルゴリズムと5つの変数数の組み合わせで、構造誤差と相対的に強い負の相関を示す。 500の合成グラフ選択タスクにおいて、CausalGradeは54.4\%の最良のヒット率を達成し、Self-Compatibility metric \(κ_G\)によって達成された48.4\%を超える。

関連論文リスト

• One Pretrained Decision Model Is Enough for Training-Free Generalist Graph Anomaly Detection [29.847725500771915]
  Jev-GADは、トレーニング不要な一般グラフ異常検出フレームワークである。 不均一な数値的な証拠と事前訓練された決定機構を橋渡しする。 平均AUROCスコアは89.18%、AUPRCスコアは52.40%である。
  論文  参考訳（メタデータ） (2026-10-22T05:56:54Z)
• TIDE: Tree-Induced Fine-Grained Diagnostic Evaluation from Model Behaviors [63.6722033955159]
  木誘導診断評価は, 微粒な機能診断を行うための行動駆動決定木誘導としての診断評価を再放送する。 TIDEを4つのベンチマークで5つのモデルに適用し、その効果を実証する。 TIDEを過去と将来のベンチマークに拡張して、評価結果におけるリッチな行動信号がモデル機能の理解に完全に活用されることを願っている。
  論文  参考訳（メタデータ） (2026-10-21T16:27:48Z)
• World Requirement Model: Learning Requirement-Change Consequences from Typed Artifact Graphs [31.60344882359958]
  我々は、このエンジニアリングコンテキストを型付きアーティファクトグラフとしてエンコードし、共有アーティファクト識別子における結果を予測する世界要求モデル(WRM)を提案する。 WRMは、ハッシュテキスト多層パーセプトロンに対して0.724対0.623の衝撃平均精度(MAP)を得る。 WRMは、アーティファクトに適応した世界モデルの定式化、文脈的結果のスコアリングの比較証拠、および要求世界予測を評価するための明示的な条件に貢献している。
  論文  参考訳（メタデータ） (2026-10-03T11:16:57Z)
• VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
  LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。 We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。 以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
  論文  参考訳（メタデータ） (2026-06-15T11:50:56Z)
• Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
  本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。 大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
  論文  参考訳（メタデータ） (2026-02-03T10:26:16Z)
• Heterophilic Graph Neural Networks Optimization with Causal Message-passing [24.796935814432892]
  グラフニューラルネットワーク(GNN)における異種メッセージパッシングを因果推論を用いて捉える。 異種グラフ学習のための因果的メッセージパス探索ネットワークCausalMPを提案する。
  論文  参考訳（メタデータ） (2024-11-21T03:59:07Z)
• KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
  本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。 これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。 WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
  論文  参考訳（メタデータ） (2021-12-09T12:45:33Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)

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。