論文の概要: FADO: Learning Causal Explanations with Prior-Fitted Networks
- arxiv url: http://arxiv.org/abs/2611.15607v1
- Date: Wed, 11 Nov 2026 15:26:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.182185
- Title: FADO: Learning Causal Explanations with Prior-Fitted Networks
- Title(参考訳): FADO:プリフィットネットワークを用いた因果説明学習
- Abstract要約: 合成データセットに基づいてトレーニングされた事前適合ネットワークを用いたアモータイズ推論手法であるFADOを提案する。
トレーニング中、合成データ生成プロセスが知られており、地中干渉効果を$_i$で計算することができる。
我々の新しい因果的説明可能性法は訓練が容易であり、様々な条件下でより良い説明を提供する。
- 参考スコア(独自算出の注目度): 11.25075676483636
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In regression and classification tasks with tabular datasets, most of the literature on explanation in ML (e.g. SHAP, permutation importance) has focused on predictive attribution: does feature $X_i$ help predict outcome $Y$? At its heart, predictive attribution captures correlation, not causation. We instead ask a causal question: would manipulating feature $X_i$ change outcome $Y$? We define a natural quantity to answer this question, the feature intervention effect: $Δ_i = E[Y\mid do(X_i=+1)]-E[Y\mid do(X_i=-1)]$. In general, estimating this quantity from observational data alone would entail strong causal assumptions. We propose FADO (Feature-wise Amortized Do-Operators), an amortized inference method using prior-fitted networks trained on synthetic tabular datasets generated by structural causal models. During training, the synthetic data-generating process is known, so we can compute ground-truth intervention effects $Δ_i$, and train a model to predict them at test time from a purely observational tabular dataset. As we demonstrate through extensive experiments, our new causal explainability method is easy to train and provides better explanations under a range of settings for which standard predictive attribution fails, including proxy variables, confounders, colliders, and placebos. We evaluate it on real, synthetic and semi-synthetic datasets, with and without hidden confounders, and compare it to existing predictive attribution methods and state-of-the-art causal inference methods.
- Abstract(参考訳): 表付きデータセットを用いた回帰および分類タスクでは、MLにおける説明(例:SHAP、置換の重要性)に関する文献の多くは、予測属性に重点を置いている: feature $X_i$ help predict outcome $Y$?
その心では、予測帰属は因果関係ではなく相関を捉えている。
機能の操作は$X_i$change result $Y$?
この疑問に答えるために自然量を定義する:$Δ_i = E[Y\mid do(X_i=+1)]-E[Y\mid do(X_i=-1)]$。
一般に、観測データだけでこの量を推定することは、強い因果仮定を必要とする。
構造因果モデルにより生成された合成表状データセットに基づいてトレーニングされた事前適合ネットワークを用いて、FADO(Feature-wise Amortized Do-Operators)を提案する。
トレーニング中、合成データ生成プロセスは知られており、そこでは、地上信頼度介入効果を$Δ_i$で計算し、純粋な観測表からテスト時に予測するようにモデルを訓練することができる。
広範な実験を通じて示すように、我々の新しい因果説明可能性法は訓練が容易であり、プロキシ変数、共同設立者、衝突者、プラセボを含む、標準的な予測帰属が失敗する範囲で、より良い説明を提供する。
実・合成・半合成のデータセットで、隠れた共同設立者の有無で評価し、既存の予測帰属法や最先端の因果推論法と比較した。
関連論文リスト
- Rescaled Influence Functions: Accurate Data Attribution in High Dimension [8.392894051706055]
本稿では,データ帰属のための新しいツールであるRescaled Influence Function (RIF) について述べる。
実世界のデータセットでIFとRIFを比較し,実世界の予測精度が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2025-06-07T04:19:21Z) - Spurious Correlations in High Dimensional Regression: The Roles of Regularization, Simplicity Bias and Over-Parameterization [19.261178173399784]
学習モデルは、トレーニングデータ内の非予測的特徴と関連するラベルとの間に急激な相関関係があることが示されている。
我々は、データ共分散とリッジ正規化の強さの点から、線形回帰によって学習されたスプリアス相関の量$C$を定量化する。
論文 参考訳(メタデータ) (2025-02-03T13:38:42Z) - Cross-validating causal discovery via Leave-One-Variable-Out [11.891940572224783]
私たちは"Leave-One-Variable-Out (LOVO)"予測を使い、$Y$は$X$から推論されるが、$X$と$Y$は共同で観測されることはない。
Acyclic Directed Mixed Graphs (ADMGs) という形で、2つの部分集合上の因果モデルが、しばしば$X$ と $Y$ の依存関係に関する結論を導くことを示した。
この予測誤差は、$P(X, Y)$が利用可能であると仮定され、$X$と$Y$がfalの目的のために省略されているため推定できる。
論文 参考訳(メタデータ) (2024-11-08T15:15:34Z) - From Fake to Real: Pretraining on Balanced Synthetic Images to Prevent Spurious Correlations in Image Recognition [64.59093444558549]
我々はFrom Fake to Realと呼ぶシンプルで簡単に実装できる2段階のトレーニングパイプラインを提案する。
実データと合成データを別々にトレーニングすることで、FFRは実データと合成データの統計的差異にモデルを公開しない。
実験の結果,FFRは3つのデータセットに対して,最先端のグループ精度を最大20%向上させることがわかった。
論文 参考訳(メタデータ) (2023-08-08T19:52:28Z) - Datamodels: Predicting Predictions from Training Data [86.66720175866415]
本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。
単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
論文 参考訳(メタデータ) (2022-02-01T18:15:24Z) - Counterfactual Invariance to Spurious Correlations: Why and How to Pass
Stress Tests [87.60900567941428]
素早い相関」とは、アナリストが重要とすべきでないと考える入力データのある側面に対するモデルの依存である。
機械学習では、これらにはノウ・イ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ」という特徴がある。
因果推論ツールを用いたストレステストについて検討した。
論文 参考訳(メタデータ) (2021-05-31T14:39:38Z) - An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。
最適化からの収束率を用いた原因影響SCMの適応速度について検討する。
驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
論文 参考訳(メタデータ) (2020-05-18T23:48:56Z)
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。