論文の概要: Combining the Causal Judgments of Experts with Possibly Different Focus Areas

• arxiv url: http://arxiv.org/abs/2005.10131v1
• Date: Wed, 20 May 2020 15:28:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 05:30:05.560988
• Title: Combining the Causal Judgments of Experts with Possibly Different Focus Areas
• Title（参考訳）: 専門家の因果判断と潜在的に異なる焦点領域の組み合わせ
• Authors: Meir Friedenberg and Joseph Y. Halpern
• Abstract要約: 多くの実世界の環境では、意思決定者は、効果的な政策を決定するために、異なる専門家が提供した情報を組み合わせる必要がある。 Alrajeh、Chockler、Halpernは、両方のモデルに現れる変数に対して、専門家が因果構造に同意するという意味で互換性のある因果モデルを組み合わせる方法を示した。
• 参考スコア（独自算出の注目度）: 15.648061765081259
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many real-world settings, a decision-maker must combine information provided by different experts in order to decide on an effective policy. Alrajeh, Chockler, and Halpern [2018] showed how to combine causal models that are compatible in the sense that, for variables that appear in both models, the experts agree on the causal structure. In this work we show how causal models can be combined in cases where the experts might disagree on the causal structure for variables that appear in both models due to having different focus areas. We provide a new formal definition of compatibility of models in this setting and show how compatible models can be combined. We also consider the complexity of determining whether models are compatible. We believe that the notions defined in this work are of direct relevance to many practical decision making scenarios that come up in natural, social, and medical science settings.
• Abstract（参考訳）: 多くの現実世界において、意思決定者は、効果的な政策を決定するために、異なる専門家が提供した情報を組み合わせる必要がある。 Alrajeh, Chockler, Halpern [2018] は、両方のモデルに現れる変数に対して、専門家が因果構造に同意するという意味で互換性のある因果モデルを組み合わせる方法を示した。 本研究は,焦点領域が異なるため,両モデルに現れる変数の因果構造に専門家が同意できない場合において,因果モデルがどのように組み合わされるかを示す。 この設定で、モデルの互換性に関する新しい形式的な定義を提供し、互換性モデルをどのように組み合わせるかを示します。 また、モデルが互換性があるかどうかを決定する複雑さについても検討する。 この研究で定義された概念は、自然、社会的、医療科学の設定で生じる多くの実践的な意思決定シナリオに直接関連していると信じています。

関連論文リスト

• Invariant Causal Set Covering Machines [64.86459157191346]
  決定木のようなルールベースのモデルは、解釈可能な性質のために実践者にアピールする。 しかし、そのようなモデルを生成する学習アルゴリズムは、しばしば刺激的な関連に弱いため、因果関係の洞察を抽出することが保証されていない。 Invariant Causal Set Covering Machines は、古典的集合被覆マシンアルゴリズムの拡張であり、二値ルールの結合/分離を可能とし、スプリアス関係を確実に回避する。
  論文  参考訳（メタデータ） (2023-06-07T20:52:01Z)
• On the Interventional Kullback-Leibler Divergence [11.57430292133273]
  因果モデル間の構造的差異と分布的差異を定量化するために、Interventional Kullback-Leibler divergenceを導入する。 本稿では,介入対象に対する十分な条件を提案し,モデルが確実に一致または一致しない観察変数のサブセットを同定する。
  論文  参考訳（メタデータ） (2023-02-10T17:03:29Z)
• Partial Order in Chaos: Consensus on Feature Attributions in the Rashomon Set [50.67431815647126]
  ポストホックなグローバル/ローカルな特徴属性法は、機械学習モデルを理解するために徐々に採用されている。 この手法により局所的・言語的特徴の半順序が生じることを示す。 これらの部分的な順序に現れる特徴間の関係は、既存のアプローチによって提供されたランクにも当てはまることを示す。
  論文  参考訳（メタデータ） (2021-10-26T02:53:14Z)
• A general framework for cyclic and fine-tuned causal models and their compatibility with space-time [2.0305676256390934]
  因果モデリングは、観測された相関の因果的説明を生成するためのツールである。 既存の量子因果関係の枠組みは、微調整されていない非巡回因果構造に焦点を当てる傾向がある。 サイクル因果モデルはフィードバックを含む物理的プロセスのモデル化に使用することができる。 サイクル因果モデルは一般相対性理論のエキゾチック解にも関係があるかもしれない。
  論文  参考訳（メタデータ） (2021-09-24T18:00:08Z)
• Experimentally adjudicating between different causal accounts of Bell inequality violations via statistical model selection [0.0]
  ベルの不等式は、ベル実験の因果モデルを提供する方法に関する、一見自然な仮定の集合から従う。 これらの仮定の一部を修正した2種類の因果モデルが提案されている。 われわれはこれらの選択肢を予測力に基づいて判断する。
  論文  参考訳（メタデータ） (2021-07-30T19:33:02Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• Collaborative Filtering under Model Uncertainty [2.538209532048867]
  我々は、マルクス、ピン・カルモン、ウストゥンによる予測的乗法の定義を用いて、このモデルの異なるバリエーションについて検討する。 これらのモデルのほとんどは、可用性の相違やあいまいさという点で非常によく似た結果をもたらす。
  論文  参考訳（メタデータ） (2020-08-23T22:09:31Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• Combining Experts' Causal Judgments [15.169168801732505]
  我々は,最も効果的な介入を決定するために,専門家の因果判断をどのように組み合わせることができるかを検討する。 2つの因果モデルが両立可能であるという概念を定義し、どのように両立因果モデルをマージできるかを示す。 実際の実例をいくつか紹介する。
  論文  参考訳（メタデータ） (2020-05-20T16:41:07Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。