SphUnc: 情報幾何学に基づく擬球面不確実性の分解および因果特定

arXiv:2603.01168v2 発表タイプ：更新 要約：複雑な多エージェントシステムの信頼性の高い意思決定には、精度調整された予測と解釈可能な不確実性が不可欠です。我々は、擬球面表現学習と構造因果モデルを統合したユニファイド・フレームワークである SphUnc を提案します。このモデルは、Von Mises-Fisher 分布を使用して特徴量を単位の擬球面上の潜在変数に変換し、情報幾何学的な融合を通じて不確実性を認識不確実性と偶然不確実性の二成分に分解します。擬球面潜在的変数上の構造因果モデルは、サンプルに基づくシミュレーションを通じて方向付きの影響特定と介入推論を可能にします。社会的および感情論的なベンチマークにおける実験的評価は、精度の向上、より良い精度調整、および解釈可能な因果信号の証拠を示し、多エージェント環境における高次相互作用に対する不確実性感知推論の幾何学的因果的基礎確立しました。

arXiv:2603.01168v2 Announce Type: replace Abstract: Reliable decision-making in complex multi-agent systems requires calibrated predictions and interpretable uncertainty. We introduce SphUnc, a unified framework combining hyperspherical representation learning with structural causal modeling. The model maps features to unit hypersphere latents using von Mises-Fisher distributions, decomposing uncertainty into epistemic and aleatoric components through information-geometric fusion. A structural causal model on spherical latents enables directed influence identification and interventional reasoning via sample-based simulation. Empirical evaluations on social and affective benchmarks demonstrate improved accuracy, better calibration, and interpretable causal signals, establishing a geometric-causal foundation for uncertainty-aware reasoning in multi-agent settings with higher-order interactions.