論文の概要: Causal discovery needs explicit epistemic standards

• arxiv url: http://arxiv.org/abs/2611.03166v1
• Date: Mon, 02 Nov 2026 14:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 12:50:31.451823
• Title: Causal discovery needs explicit epistemic standards
• Title（参考訳）: 因果発見は明らかにてんかんの基準を必要とする
• Abstract要約: メソッドは通常、識別可能性、一貫性、ベンチマークの3つのレンズを通して比較される。 これらの仮定を比較、優先順位付け、あるいは議論するための共有標準は存在しない、と私たちは主張する。
• 参考スコア（独自算出の注目度）: 1.6355471507854134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There are many causal discovery algorithms, but few guiding principles for choosing between them. Methods are usually compared through three lenses: identifiability, consistency, and benchmarks. Each introduces assumptions about the data-generating process that are often untestable. We argue that there are no shared standards for comparing, prioritizing, or even discussing those assumptions. We support this claim by showing that (i) identifiability assumptions are often preferred by convention rather than by principle, (ii) uniform consistency requires further untestable assumptions, while the weaker pointwise consistency has arguably narrowed algorithm design, and (iii) benchmarks are not neutral tests but carry an epistemic role of their own: they quietly fix which regimes matter, which guarantees come into play, and what counts as success. In doing so, they shape what algorithm comparisons are taken to show and thus perform some of the same epistemic work as theory, but less transparently. In this position paper we argue for a more transparent, integrated practice: Make the epistemic standards for discussing identifiability and consistency assumptions explicit, especially their failure modes and scope conditions; design benchmarks to operationalize those standards, by stress-testing and ablating both. Then, theoretical and empirical results jointly clarify when, why, and how algorithms may work rather than accumulate as disconnected advances.
• Abstract（参考訳）: 因果発見アルゴリズムは多数存在するが、それらを選択するための指針は少ない。 メソッドは通常、識別可能性、一貫性、ベンチマークの3つのレンズを通して比較される。 それぞれが、しばしばテスト不可能なデータ生成プロセスに関する仮定を導入します。 これらの仮定を比較、優先順位付け、あるいは議論するための共有標準は存在しない、と私たちは主張する。 私たちはそれを示すことでこの主張を支持します。 一 原則より慣例に好まれる場合が多い。 (ii)一様整合性はさらに証明不可能な仮定を必要とする一方で、より弱い点の整合性はアルゴリズム設計を狭めている。 (iii)ベンチマークは中立的なテストではなく、彼ら自身の疫学的な役割を担っている。 そうすることで、どのアルゴリズムを比較するかが示され、理論と同じような疫学的な働きをするが、透明性は低い。 このポジションペーパーでは、より透明で統合されたプラクティスを論じる: 識別可能性と一貫性の仮定、特にその障害モードとスコープ条件を議論するための認識基準を明示する; ストレステストと非難の両方によって、それらの標準を運用するための設計ベンチマークを作成する。 そして、理論的および実証的な結果は、いつ、なぜ、どのようにアルゴリズムが非連結な進歩として蓄積されるかというより、どのように機能するのかを共同で明らかにする。

関連論文リスト

• When Does Consensus Beat Voting? A Critical Analysis of Statistical Label Fusion in Medical Image Segmentation [2.8222472653971917]
  本稿では,厳密かつ自己完結したコンセンサスセグメンテーションの調査を行う。 一般的な条件では、STAPLEは得票率のしきい値に低下し、95%のEM準最適値に悩まされ、クラス不均衡の下で崩壊する。
  論文  参考訳（メタデータ） (2026-07-06T19:25:21Z)
• CausalCompass: Evaluating the Robustness of Time-Series Causal Discovery in Misspecified Scenarios [17.11442807888366]
  Causalは、時系列因果発見法の堅牢性を評価するために設計されたベンチマークスイートである。 我々は8つの仮定違反シナリオにまたがる代表的なTSCDアルゴリズムの広範なベンチマークを行う。 様々なシナリオで優れた全体的なパフォーマンスを示す方法は、ほとんどディープラーニングベースのアプローチである。
  論文  参考訳（メタデータ） (2026-02-08T11:27:06Z)
• On the Limits of Test-Time Compute: Sequential Reward Filtering for Better Inference [71.09125259964684]
  テスト時計算(TTC)は、大規模言語モデル(LLM)の拡張のパラダイムとして、ますます顕著になっている。 本稿では,高次世代のみを文脈に選択的に組み込む単純な手順である報酬フィルタシーケンシャル推論について検討する。 理論的には、報酬フィルタによる逐次推論は標準TTCパラダイムよりも厳密な保証が得られることを示す。
  論文  参考訳（メタデータ） (2025-12-04T08:21:33Z)
• Identification of Causal Direction under an Arbitrary Number of Latent Confounders [54.76982125821112]
  実世界のシナリオでは、観測された変数は複数の潜伏変数によって同時に影響を受けることがある。 我々は,特定の方法で構築された観測変数の高次累積行列を併用する。 これらの高次累積行列の階数不足特性から,2つの観測変数間の因果非対称性が直接観察可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-26T15:10:00Z)
• Testing for Overfitting [0.0]
  オーバーフィッティング問題について議論し、トレーニングデータによる評価に標準値と集中値が成立しない理由を説明する。 本稿では,モデルの性能をトレーニングデータを用いて評価できる仮説テストを紹介し,議論する。
  論文  参考訳（メタデータ） (2023-05-09T22:49:55Z)
• Statistical Comparisons of Classifiers by Generalized Stochastic Dominance [0.0]
  いくつかの基準に関して、分類器を複数のデータセットで比較する方法については、まだ合意が得られていない。 本稿では, 意思決定理論の最近の展開を取り入れた, 鮮明な議論に新たな視点を加える。 我々のフレームワークは、支配という一般化された概念によって分類器をランク付けし、それは煩雑なものを強力に回避し、しばしば自己矛盾的であり、集約に依存していることを示している。
  論文  参考訳（メタデータ） (2022-09-05T09:28:15Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• Efficient First-Order Contextual Bandits: Prediction, Allocation, and Triangular Discrimination [82.52105963476703]
  統計的学習、オンライン学習、その他における繰り返しのテーマは、低騒音の問題に対してより速い収束率が可能であることである。 1次保証は統計的およびオンライン学習において比較的よく理解されている。 三角識別と呼ばれる対数損失と情報理論量が一階保証を得る上で基本的な役割を担っていることを示す。
  論文  参考訳（メタデータ） (2021-07-05T19:20:34Z)
• Squared $\ell_2$ Norm as Consistency Loss for Leveraging Augmented Data to Learn Robust and Invariant Representations [76.85274970052762]
  元のサンプルと拡張されたサンプルの埋め込み/表現の距離を規則化することは、ニューラルネットワークの堅牢性を改善するための一般的なテクニックである。 本稿では、これらの様々な正規化選択について検討し、埋め込みの正規化方法の理解を深める。 私たちが特定したジェネリックアプローチ(squared $ell$ regularized augmentation)は、それぞれ1つのタスクのために特別に設計されたいくつかの手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-25T22:40:09Z)
• When Hearst Is not Enough: Improving Hypernymy Detection from Corpus with Distributional Models [59.46552488974247]
  本稿では,大きなテキストコーパスの助けを借りて,単語 (x, y) 間のis-a関係が存在するかどうかを論じる。 近年の研究では、大規模なハーストペアを抽出して給餌し、目に見えない(x, y)ペアの親和性が緩和された場合、パターンベースのペアの方が優れていることが示唆されている。 本稿では,これらの特定の事例の非無視的存在を初めて定量化し,その場合の分布法がパターンベースの事例を補うのに最適であることを示す。
  論文  参考訳（メタデータ） (2020-10-10T08:34:19Z)

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。