論文の概要: From Type to Token: Petri Nets, Individual Token Philosophy, and Individualized Causal Effects

• arxiv url: http://arxiv.org/abs/2611.05703v1
• Date: Tue, 03 Nov 2026 22:31:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.892292
• Title: From Type to Token: Petri Nets, Individual Token Philosophy, and Individualized Causal Effects
• Title（参考訳）: タイプからトークンへ:ペトリネット、個人トークン哲学、そして個人化された因果効果
• Abstract要約: 個人トークン哲学の下でのペトリネットは、これらのトークンレベルの因果構造の自然な表現であると主張する。 PN層は、分布の仮定に依存しない因果機構の構造的表現を提供する。 逆に、共形予測層は、有限サンプルカバレッジ保証による因果効果を定量化する。
• 参考スコア（独自算出の注目度）: 78.87513208320995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural Causal Models and Bayesian Networks are the dominant framework for representing causal relations. They are fundamentally type-level formalisms since their estimands, Average Treatment Effects and Conditional Average Treatment Effects, are properties of distributions over populations, not of individual units. When treatment effects exhibit unbounded heterogeneity, these estimands collapse. What persists is the structural, token-level core of causation. We argue that Petri Nets under the Individual Token Philosophy are the natural representation of these token-level causal structures. We develop a formal translation from Bayesian Networks to Petri Nets, providing a two-layer account of individualized causality. The PN layer provides a structural representation of causal mechanisms that does not rest on distributional assumptions. In turn, a conformal prediction layer quantifies causal effects with finite-sample coverage guarantees. Together they constitute a complete account of individual causal effects.
• Abstract（参考訳）: 構造因果モデルとベイズネットワークは因果関係を表す主要なフレームワークである。 これらは基本的にタイプレベルの形式であり、平均処理効果と条件付き平均処理効果は個々の単位ではなく、集団上の分布の性質である。 治療効果が非有界な不均一性を示すと、これらの推定値は崩壊する。 残るのは、因果関係の構造的、トークンレベルのコアです。 個人トークン哲学の下でのペトリネットは、これらのトークンレベルの因果構造の自然な表現であると主張する。 我々はベイズネットワークからペトリネットへの公式な翻訳を開発し、個別化された因果関係の2層的な説明を提供する。 PN層は、分布の仮定に依存しない因果機構の構造的表現を提供する。 逆に、共形予測層は、有限サンプルカバレッジ保証による因果効果を定量化する。 それらは、個々の因果効果の完全な説明を構成する。

関連論文リスト

• Topological Ignorability for Structural Causal Effects Beyond Means [0.0]
  介入は平均よりも結果分布の構造を変化させる。 平均治療効果のような平均的な因果推定は重要な構造的効果を欠く可能性がある。 本稿では,介入結果法則の要約に基づくトポロジカル・幾何学的因果指標を提案する。
  論文  参考訳（メタデータ） (2026-05-31T11:56:53Z)
• Estimating Heterogeneous Causal Effect on Networks via Orthogonal Learning [8.45884756677776]
  ネットワーク上の因果効果を推定することは、科学的研究と実践的応用にとって重要である。 ネットワーク上での不均一な直接的および余剰な効果を推定する2段階の手法を提案する。
  論文  参考訳（メタデータ） (2025-09-23T00:41:04Z)
• Canonical Representations of Markovian Structural Causal Models: A Framework for Counterfactual Reasoning [0.7106986689736826]
  「偽りの理性は、アリスがアスピリンを飲んだら回復しただろうか?」 本稿では,ある因果グラフモデルに適合する反ファクトを表現するために,構造因果モデルに対する代替手法を提案する。 本稿では,(通常テスト可能な)介入制約から(任意かつ不可能な)カウンターファクト選択を解き放つ正規化手順を提案する。
  論文  参考訳（メタデータ） (2025-07-22T09:13:02Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。