論文の概要: From Checking to Inference: Actual Causality Computations as Optimization Problems

• arxiv url: http://arxiv.org/abs/2006.03363v2
• Date: Mon, 6 Jul 2020 11:28:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 04:18:55.392401
• Title: From Checking to Inference: Actual Causality Computations as Optimization Problems
• Title（参考訳）: チェックから推論へ:最適化問題としての実際の因果計算
• Authors: Amjad Ibrahim and Alexander Pretschner
• Abstract要約: 本稿では、最適化問題として二元非巡回モデルよりも、因果推論の異なる概念を定式化するための新しいアプローチを提案する。 8000ドル以上の変数を持つモデルを用いて,MaxSAT が ILP を上回り,数秒単位でチェック処理を行う場合が多い。
• 参考スコア（独自算出の注目度）: 79.87179017975235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Actual causality is increasingly well understood. Recent formal approaches, proposed by Halpern and Pearl, have made this concept mature enough to be amenable to automated reasoning. Actual causality is especially vital for building accountable, explainable systems. Among other reasons, causality reasoning is computationally hard due to the requirements of counterfactuality and the minimality of causes. Previous approaches presented either inefficient or restricted, and domain-specific, solutions to the problem of automating causality reasoning. In this paper, we present a novel approach to formulate different notions of causal reasoning, over binary acyclic models, as optimization problems, based on quantifiable notions within counterfactual computations. We contribute and compare two compact, non-trivial, and sound integer linear programming (ILP) and Maximum Satisfiability (MaxSAT) encodings to check causality. Given a candidate cause, both approaches identify what a minimal cause is. Also, we present an ILP encoding to infer causality without requiring a candidate cause. We show that both notions are efficiently automated. Using models with more than $8000$ variables, checking is computed in a matter of seconds, with MaxSAT outperforming ILP in many cases. In contrast, inference is computed in a matter of minutes.
• Abstract（参考訳）: 実際の因果関係はますますよく理解されている。 halpern と pearl によって提案された最近の形式的アプローチにより、この概念は自動推論に適応できるほど成熟している。 実際の因果関係は特に説明可能なシステムを構築する上で不可欠である。 因果関係の推論は、反事実性の要件と原因の最小性のために計算的に困難である。 従来のアプローチでは、因果推論を自動化する問題に対する非効率的または制限された、ドメイン固有のソリューションが提示されていた。 本稿では,二項非巡回モデル上の因果推論の異なる概念を最適化問題として定式化する新しい手法を提案する。 我々は、因果性をチェックするために、2つのコンパクトで非自明な音声整数線形プログラミング(ILP)と最大満足度符号化(MaxSAT)をコントリビュートし比較する。 候補となる原因を考えると、どちらのアプローチも最小原因を識別する。 また,原因候補を必要とせず因果関係を推定するためのILP符号化も提案した。 どちらの概念も効率的に自動化されていることを示す。 8000ドル以上の変数を持つモデルを使用することで、チェックは数秒で計算される。 対照的に、推論は数分で計算される。

関連論文リスト

• O1-Pruner: Length-Harmonizing Fine-Tuning for O1-Like Reasoning Pruning [98.3430004984531]
  精度を維持しながら推論オーバーヘッドを最小限に抑えるため,Longth-Harmonizing Fine-Tuning (O1-Pruner)を提案する。 私たちのコードはもうすぐhttps://github.com/StarDewXXX/O1-Pruner.comで公開されます。
  論文  参考訳（メタデータ） (2025-01-22T01:35:11Z)
• Do NOT Think That Much for 2+3=? On the Overthinking of o1-Like LLMs [76.43407125275202]
  o1のようなモデルは、推論中に人間のような長時間の思考をエミュレートすることができる。 本論文は,これらのモデルにおける過度な考察の課題に関する,最初の包括的研究である。 精度を損なうことなく、過剰思考を緩和し、推論プロセスを合理化するための戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-30T18:55:12Z)
• Simple and Provable Scaling Laws for the Test-Time Compute of Large Language Models [70.07661254213181]
  大規模言語モデルのテスト時間計算のための2つの原理的アルゴリズムを提案する。 理論的には、1つのアルゴリズムの故障確率は、そのテスト時間計算が大きくなるにつれて指数関数的に減衰する。
  論文  参考訳（メタデータ） (2024-11-29T05:29:47Z)
• CreDes: Causal Reasoning Enhancement and Dual-End Searching for Solving Long-Range Reasoning Problems using LLMs [13.977459316171013]
  大規模言語モデル(LLM)は、長距離推論を含む最適化問題に対処する際の限界を実証している。 本稿では、因果関係強化(CRE)機構と個別治療効果(ITE)を組み合わせて、因果関係の確固たる正当性を保証する。 実験により、CreDesは精度と時間効率の両方で既存のState-Of-The-Art(SOTA)ソリューションを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-10-02T16:05:01Z)
• Causal Discovery and Prediction: Methods and Algorithms [0.0]
  本論文では、各介入の一般的なa-priori評価について紹介する。 任意の因果モデルにおける因果関係を同定する能動学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-18T01:19:37Z)
• A Framework for Data-Driven Explainability in Mathematical Optimization [0.0]
  最適化ソフトウェアがブラックボックスとして認識されているため、確実に最適な解決策は受け入れられないかもしれない。 我々は、目的値の横にある別の評価基準として、ソリューションの説明可能性を導入することを提唱する。 説明責任を強制するコストは非常に小さいことが判明した。
  論文  参考訳（メタデータ） (2023-08-16T12:12:24Z)
• Chaining Simultaneous Thoughts for Numerical Reasoning [92.2007997126144]
  テキストによる数値推論は、AIシステムにとって不可欠なスキルであるべきです。 これまでの研究は方程式の構造をモデル化することに集中し、様々な構造化デコーダを提案してきた。 我々は、有向非巡回グラフを用いてステップを推論する数値推論器CANTORを提案する。
  論文  参考訳（メタデータ） (2022-11-29T18:52:06Z)
• Efficient Knowledge Compilation Beyond Weighted Model Counting [7.828647825246474]
  このような問題に対する一般的なフレームワークとして,第2レベル代数モデルカウント (2AMC) を導入している。 KC(Knowledge Compilation)に基づく第1レベルのテクニックは、変数順序制約を課すことで、特定の2AMCインスタンスに適応している。 2AMC問題の論理構造を利用して、これらの制約の一部を省略し、負の効果を制限できることが示される。
  論文  参考訳（メタデータ） (2022-05-16T08:10:40Z)
• 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)

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。