論文の概要: When Everyone Can Build a Model: Mechanistic Inference in the Age of AI
- arxiv url: http://arxiv.org/abs/2610.41454v1
- Date: Fri, 30 Oct 2026 08:57:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.667145
- Title: When Everyone Can Build a Model: Mechanistic Inference in the Age of AI
- Title（参考訳）: 誰もがモデルを構築することができる時:AIの時代における機械的推論
- Abstract要約: 多くの生物学的モデリング問題は過小評価されているので、無限に多くのモデルが同じデータを等しく再現することができる。
まず、因果推論は、因果関係と介入効果がデータから特定可能であることを示す公式な枠組みを提供する。
第二に、アンサンブル分析は、等しく適合するモデルによってまだ許されている不確実性と行動範囲を定量化する。
- 参考スコア（独自算出の注目度）: 1.4681690787310104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern deep learning and AI-assisted code generation are lowering the technical barrier to building mathematical models of biological systems that reproduce complex observations. This lets researchers with domain expertise build semi-mechanistic, hybrid models constrained by prior knowledge and augmented with learned structure without extensive training in modelling. However, easier construction does not make interpretation easier: predictive success of such so-called grey-box models does not establish that an inferred mechanism corresponds to the one that generated the data, and the learned component can absorb errors in the mechanistic part. Many biological modelling problems are underdetermined, so several, possibly infinitely many, models may reproduce the same data equally well. This ambiguity enters at two modelling choices: which variables can affect others, and which response function describes the underlying mechanism. For the first choice, causal inference provides a formal framework stating which causal relationships and intervention effects are identifiable from the data and available knowledge. For the second, ensemble analyses quantify the uncertainty and the range of behaviours still allowed by models that fit equally well. Together, they turn a single good fit into an explicit account of what is supported, what remains open, and which experiment would decide.
- Abstract（参考訳）: 現代のディープラーニングとAIによるコード生成は、複雑な観察を再現する生物学的システムの数学的モデルを構築するための技術的障壁を低くしている。
これにより、ドメインの専門知識を持つ研究者たちは、事前知識に制約されたセミメカニスティックなハイブリッドモデルを構築し、モデリングの広範なトレーニングを伴わずに学習構造を拡張できる。
いわゆるグレーボックスモデルの予測的成功は、推論されたメカニズムがデータを生成するメカニズムに対応することを証明せず、学習されたコンポーネントは機械的部分のエラーを吸収することができる。
多くの生物学的モデリング問題は過小評価されているので、無限に多くのモデルが同じデータを等しく再現することができる。
このあいまいさは、どの変数が他の変数に影響を与えるか、どの応答関数が基盤となるメカニズムを記述するかという2つのモデル選択に該当する。
まず、因果推論は、因果関係と介入効果がデータと利用可能な知識から識別可能であることを示す公式な枠組みを提供する。
第二に、アンサンブル分析は、等しく適合するモデルによってまだ許されている不確実性と行動範囲を定量化する。
同時に、ひとつの良いフィットを、何がサポートされ、何がオープンで、どの実験が決定されるかを明確にする。
関連論文リスト
- Relational Structural Causal Models [52.818153111470394]
我々は、関係構造因果モデルを開発し、対象とその関係が変化する設定まで構造因果モデルを拡張した。
シミュレーションされた交通シーンにおいて,非関係性ベースラインよりも高い精度で再現可能なモデルであるリレーショナルニューラル因果モデルを提案する。
論文 参考訳（メタデータ） (2026-06-12T18:54:06Z) - From Black-box to Causal-box: Towards Building More Interpretable Models [57.23201263629627]
本稿では, 因果解釈可能性の概念を導入し, 特定のモデルのクラスから対実的クエリを評価できるときの形式化について述べる。
我々は、与えられたモデルアーキテクチャが与えられた偽物クエリをサポートするかどうかを決定する完全なグラフィカルな基準を導出する。
論文 参考訳（メタデータ） (2025-10-24T20:03:18Z) - Towards Compositional Interpretability for XAI [3.3768167170511587]
本稿では,カテゴリ理論に基づくAIモデルとその解釈可能性の定義手法を提案する。
我々は、幅広いAIモデルを構成モデルと比較する。
標準の'本質的に解釈可能な'モデルを作るものは、最も明確に図式化されます。
論文 参考訳（メタデータ） (2024-06-25T14:27:03Z) - Learning About Structural Errors in Models of Complex Dynamical Systems [1.2985782849141545]
構造的誤りを学習するための一般的なアプローチ、原則、アルゴリズムについて説明する。
このアプローチの鍵となるのは、複雑なシステムのモデルの中に構造的エラーモデルを含めることです。
間接データから構造誤差モデルがどのように学習できるかを論じる。
論文 参考訳（メタデータ） (2023-12-29T18:19:37Z) - Structure Learning and Parameter Estimation for Graphical Models via
Penalized Maximum Likelihood Methods [0.0]
論文では、静的なベイジアンネットワーク(BN)と、その名前が示すように時間成分を持つ連続時間ベイジアンネットワークという2つの異なるタイプのPGMについて考察する。
私たちは、PGMを学ぶための最初のステップである、真の構造を回復することに興味を持っています。
論文 参考訳（メタデータ） (2023-01-30T20:26:13Z) - Learning Physics between Digital Twins with Low-Fidelity Models and
Physics-Informed Gaussian Processes [0.0]
デジタル双生児間の学習のためのベイズ的手法を,個々の物理的パラメータが興味のある環境で導入する。
モデル差分項は、各パーソナライズされたモデルのモデル定式化に組み込まれ、低忠実度モデルの欠落物理を考慮に入れている。
ケーススタディでは、1)不完全な物理モデルに言及しないモデルは偏りがあり、過信である、2)不完全な物理モデルに言及するモデルはより不確実であるが、真実をカバーしている、3)デジタル双生児間の学習モデルは、対応する独立した個別モデルよりも不確実性が少ないが、過信ではないことが示されている。
論文 参考訳（メタデータ） (2022-06-16T14:18:45Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Beyond Trivial Counterfactual Explanations with Diverse Valuable
Explanations [64.85696493596821]
コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。
本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。
このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
論文 参考訳（メタデータ） (2021-03-18T12:57:34Z) - Deducing neighborhoods of classes from a fitted model [68.8204255655161]
本稿では,新しいタイプの解釈可能な機械学習手法を提案する。
量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。
基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
論文 参考訳（メタデータ） (2020-09-11T16:35:53Z)
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。