論文の概要: Where Causal Discovery Breaks on Real Data: Measuring the Assumptions One Property at a Time

• arxiv url: http://arxiv.org/abs/2611.00484v1
• Date: Sat, 31 Oct 2026 00:16:39 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:22:34.128238
• Title: Where Causal Discovery Breaks on Real Data: Measuring the Assumptions One Property at a Time
• Title（参考訳）: 因果発見が実際のデータで破る場所:1つの資産を1度に測定する
• Abstract要約: ケーススタディは31四半期で2,901社を突破した。 SEC(証券取引委員会)の8-K申請書、11件の財務諸表、および651件のアクションステートペアに関する専門家グラフから71件の企業行動が得られた。
• 参考スコア（独自算出の注目度）: 18.301847501874548
• License:
• Abstract: Causal discovery is usually evaluated on simulators or on systems whose ground truth follows from physics or design. When it fails on other real data, the failure is attributed to assumptions that may not hold, but which ones fail, and by how much, is rarely measured. We measure the observable properties of the data they bear on, one property at a time, on a real panel. The case study follows 2,901 US public firms over 31 quarters, with 71 types of corporate action from SEC 8-K filings, 11 financial-statement items, and an expert graph over 651 action-state pairs. The panel breaks measurable requirements of discovery: tails that survive winsorisation, balance-sheet items and revenue close to random walks, and interventions too rare to detect effects of a tenth of a standard deviation in 40 of 71 actions. Even so, a marginal test ranks expert-labelled direct above not-direct pairs within each action (AUROC 0.658) better than every null we built, so the panel does carry information about which pairs are direct. Tuned discovery methods, in configurations feasible at this panel size, recover less of it than a simple pairwise cross-correlation when pairs are ranked within each action, and no more when they are ranked within each target, which removes what the target alone predicts. Most direct pairs (132 of 222) involve actions below the support needed for 80% power against a 0.1-SD effect. For flow targets, conditioning on the target's other expert-labelled parents, often filed alongside the action, erodes the marginal discrimination, and most not-direct associations survive it: even with the graph's parent sets supplied, the expected separation does not emerge. For each property, we give a diagnostic computable before any discovery method is run.
• Abstract（参考訳）: 因果発見は通常、物理学や設計から続く基礎的な真実が続くシミュレータやシステムで評価される。 他の実際のデータで失敗すると、その失敗は保持されないが、どのデータに失敗するか、そしてどれだけの頻度で測定されることがほとんどないという仮定に起因する。 我々は、実際のパネル上で、それらが保持するデータの観測可能な特性を、一度に1つの特性として測定する。 このケーススタディは、米国上場企業2,901社を31四半期で上回り、SECの8-K申請書から71種類の企業行動、11の財務文書、および651件のアクションステートペアに関する専門家グラフをフォローしている。 パネルは、ウィンソライゼーションに生き残る尾、バランスシートアイテム、ランダムウォークに近い収入、そして介入によって71のアクションのうち40の標準偏差の10分の1の効果を検出するという、測定可能な要件を破る。 それでも、それぞれのアクション(AUROC 0.658)内の非直接対よりも、専門家が選別した直接対の順位は、私たちが構築したすべてのヌルよりも優れているので、パネルはどのペアが直接であるかの情報を持っている。 調整された発見法は、このパネルサイズで実現可能な構成において、ペアが各アクション内でランク付けされている場合の単純なペアワイズ・クロスコリレーションよりも、そのペアが各ターゲット内でランク付けされている場合のリカバリを少なくし、ターゲットのみの予測を除去する。 ほとんどの直接対 (222のうち132) は0.1-SD効果に対して80%の電力を必要とする支持以下に作用する。 フローターゲットの場合、ターゲットの他の専門家に愛された両親に条件付けを行い、しばしば行動と共に申請し、限界的差別を侵食し、ほとんどの非直接的関連性は生き残る:グラフの親集合が供給されたとしても、期待される分離は発生しない。 それぞれの特性について,発見法が実行される前に診断計算を行う。

関連論文リスト

• Asymmetric Bidirectional Predictive Dynamics in Google Search and COVID-19 Time Series: A Multi-Horizon Forecast-Error Analysis [0.0]
  一致したLightGBM予測を用いて,Google Trends-COVID-19の両方向の8つのペアについて検討した。 Log-RMSEゲインと予測エラー分布エントロピー(FEDE)が組み合わされ、符号付きエラー分布における水平依存性の変化をキャプチャする。 得られた方向予測シグネチャは、応答クラス、RMSE効果、FEDEエンドポイント、早期傾斜応答を含む。
  論文  参考訳（メタデータ） (2026-10-20T17:23:44Z)
• Do-JEPA: From Masking to Intervention in Latent World Models [14.785740705591094]
  我々は、C-JEPAのようなオブジェクトマスキングモデルが予測器に何が見えるかに介入していることを示し、物理的に何が起こるかに介入する。 結果は、モデルが見ているものではなく、世界への介入が、潜在する世界モデルがその行動の原因を予測するのに役立つことを示している。
  論文  参考訳（メタデータ） (2026-09-29T12:31:28Z)
• TimeLitmus: A Diagnostic Benchmark for Cross-Modal Understanding and Explanation Faithfulness in Event-Conditioned Time-Series Prediction [48.104261148149654]
  TimeLitmusは、イベント条件付き時系列予測における相互理解と忠実さの説明のための診断ベンチマークである。 TimeLitmusには財務と交通の計4,856件の評価記録がある。
  論文  参考訳（メタデータ） (2026-09-21T14:38:49Z)
• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Causal Attribution for Agentic Decisions: Estimators, Coupling, and a Traceability Specification [0.0]
  推定器のフレームワークと、それが失敗する条件を与えます。 限界推定の下では、因果不活性ステップは、植えられた鎖の全ての実行において決定的なステップと同一の合計効果を有する。 コンテキストが分岐すると、直接効果を推定できる結合を導出します。
  論文  参考訳（メタデータ） (2026-09-06T07:36:23Z)
• Does Splitting a Triage Decision Across Agents Hide Bias or Help Catch It? A Multi-Agent Simulation Study of LLM-Based Resource Allocation Under Audit Capacity Constraints [0.0]
  我々は、同じ決定がロール微分マルチエージェントパイプラインに分散されたとき、バイアスに何が起こるかを研究する。 2つの条件の間に偏りが生じる頻度について、測定可能な違いは見つからない。 バイアスが捕捉されるかどうかに監査能力が大きな、そして重大な影響を与えることが分かっています。
  論文  参考訳（メタデータ） (2026-08-07T08:25:53Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Assaying Out-Of-Distribution Generalization in Transfer Learning [103.57862972967273]
  私たちは、経験的に対処するメッセージの相違を強調して、以前の作業の統一的なビューを取ります。 私たちは9つの異なるアーキテクチャから、多数の、あるいは少数の設定で31K以上のネットワークを微調整しました。
  論文  参考訳（メタデータ） (2022-07-19T12:52:33Z)

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。