論文の概要: Tracing Actual Causes with Counterfactual Witness Maps
- arxiv url: http://arxiv.org/abs/2611.17937v1
- Date: Fri, 13 Nov 2026 09:21:00 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:26:08.827849
- Title: Tracing Actual Causes with Counterfactual Witness Maps
- Title(参考訳): 実効性ウィットネスマップによる実際の原因の追跡
- Abstract要約: 対象イベントの実際の原因を列挙するアルゴリズムを提案する。
我々は、実際のすべての原因に対して、合同介入集合がこの写像のノードとして現れるような緊急集合が存在することを証明している。
- 参考スコア(独自算出の注目度): 33.680679705190514
- License:
- Abstract: Halpernian actual causation, the formal study of which events in a specific situation caused a specific outcome in acyclic structural causal models, underpins legal responsibility, moral blame, and the assessment of causal harm. Despite the rich logical framework, no prior sound and complete enumeration procedure is known for finding all actual causes in a given setting, blocking downstream tasks such as responsibility attribution, blame assessment, and causal-harm grading that aggregate over the full cause set. We close this gap by introducing witness targets: sets of joint configurations containing every counterfactual witness. In combination with an ancestor intervention grammar we derive a finite directed acyclic witness map. We prove that for every actual cause there exists a contingency set such that the joint intervention set appears as a node of this map, and present an algorithm for Tracing Actual Causes (TrAC) that is sound and complete for enumerating all actual causes of any target event. We compare TrAC empirically with existing single-cause baselines on random Boolean structural causal models, demonstrating practical feasibility for graphs of up to 15 nodes.
- Abstract(参考訳): ハルペルニウスの実際の因果関係(Halpernian actual causation)は、特定の状況における事象が非周期的な構造因果モデルにおいて特定の結果を引き起こし、法的責任、道徳的責任、因果的害の評価を支えた公式な研究である。
リッチな論理的枠組みにも拘わらず、事前の健全かつ完全な列挙手順は、特定の設定におけるすべての実際の原因を見つけ、責任帰属、責任評価、完全な原因集合に集約された因果的ハーム格付けのような下流のタスクをブロックしたことで知られている。
すべての偽証人を含む共同構成の集合である証人目標を導入することで、このギャップを埋めます。
祖先の介入文法と組み合わせて有限有向非巡回証人写像を導出する。
本研究は,すべての実原因に対して,このマップのノードとして共同介入セットが現れるような一致セットが存在することを証明し,対象事象の実際の原因を列挙するための,健全かつ完全であるTrAC(Trcing Actual Causes)のアルゴリズムを提案する。
TrACを実演的に、ランダムブール構造因果モデルに基づく既存の単一原因ベースラインと比較し、最大15ノードのグラフに対して実用的な実現可能性を示す。
関連論文リスト
- Causal Chain of Thought: Mitigating Attention Leakage via Context Isolation [14.695644456420053]
チェーン・オブ・プリンティングは、モデル予測を説明するようなステップ・バイ・ステップの合理性を引き出すが、これらのステップが最終答を因果的に導く保証はない。
CausalCoTは、問題を原子サブクエストの有向非巡回グラフに分解することで因果透明性を強制する推論フレームワークである。
このマルコフ構造は、非親性コンテンツへの注意経路を除去し、グローバルなコンテキストリークではなく、局所的推論に敏感な下流予測を可能にする。
論文 参考訳(メタデータ) (2026-10-22T17:52:56Z) - Causal Effect Identifiability in Causal Abstractions: A Strict Hierarchy of Criteria [3.4298729855744026]
本研究では,個々の因果図のレベルではなく,グラフコレクションのレベルにおいて因果効果の識別可能性を直接研究する。
因果効果はグラフの集合上で、すべての互換グラフに対して一様に保持される単一の因果導出を許さずに特定できる。
論文 参考訳(メタデータ) (2026-10-09T12:41:46Z) - Partial Identification under Causal Orders by Linear Programming [46.16293902963101]
反事実探索が関連する変数に対する部分的トポロジカル順序を誘導することを示す。
これにより、任意の反ファクトクエリとネストされた反ファクトクエリのバウンダリングが可能になる。
論文 参考訳(メタデータ) (2026-08-25T11:42:38Z) - Adversarial Causal Intervention Falsification [0.0]
構造因果生成器が観測および介入分布を提案する逐次ゲームについて検討する。
敵の実験者は、ジェネレータを最大限にファルシフィケーションしようとする介入を選択する。
判別器は、介入により索引付けされ、ジェネレータが対応する事後法則を再生するか否かを検査する。
論文 参考訳(メタデータ) (2026-08-05T20:01:26Z) - Improving Weakly Supervised Sound Event Detection with Causal
Intervention [46.229038054764956]
既存の弱教師付き音響事象検出作業は、両タイプの同時発生を同時に調査していない。
まず、構造因果モデル(SCM)を構築し、コンテキストが共起共同設立者の主な原因であることを明らかにする。
因果解析に基づいて、WSSEDの因果介入(CI)手法を提案し、共起共同設立者の負の影響を除去する。
論文 参考訳(メタデータ) (2023-03-10T03:13:36Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳(メタデータ) (2022-06-04T22:38:57Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳(メタデータ) (2022-02-22T21:27:31Z) - 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) - 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)
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。