論文の概要: Causal Adversarial Network for Learning Conditional and Interventional Distributions

• arxiv url: http://arxiv.org/abs/2008.11376v2
• Date: Mon, 21 Sep 2020 19:14:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 20:52:41.466143
• Title: Causal Adversarial Network for Learning Conditional and Interventional Distributions
• Title（参考訳）: 学習条件と介入分布の因果的逆ネットワーク
• Authors: Raha Moraffah, Bahman Moraffah, Mansooreh Karami, Adrienne Raglin, Huan Liu
• Abstract要約: 本稿では,条件分布と介入分布から学習とサンプリングを行うためのCAN(Causal Adversarial Network)を提案する。 提案したCANは、ラベル生成ネットワーク(LGN)と条件画像生成ネットワーク(CIGN)という2つのプロセスからなる。
• 参考スコア（独自算出の注目度）: 24.115038794500293
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a generative Causal Adversarial Network (CAN) for learning and sampling from conditional and interventional distributions. In contrast to the existing CausalGAN which requires the causal graph to be given, our proposed framework learns the causal relations from the data and generates samples accordingly. The proposed CAN comprises a two-fold process namely Label Generation Network (LGN) and Conditional Image Generation Network (CIGN). The LGN is a GAN-based architecture which learns and samples from the causal model over labels. The sampled labels are then fed to CIGN, a conditional GAN architecture, which learns the relationships amongst labels and pixels and pixels themselves and generates samples based on them. This framework is equipped with an intervention mechanism which enables. the model to generate samples from interventional distributions. We quantitatively and qualitatively assess the performance of CAN and empirically show that our model is able to generate both interventional and conditional samples without having access to the causal graph for the application of face generation on CelebA data.
• Abstract（参考訳）: 条件付きおよび介入的分布から学習およびサンプリングを行うための生成因果逆ネットワーク(can)を提案する。 因果グラフを必要とする既存の因果関係とは対照的に,提案フレームワークはデータから因果関係を学習し,それに従ってサンプルを生成する。 提案するcanはラベル生成ネットワーク(lgn)と条件付き画像生成ネットワーク(cign)という2つのプロセスからなる。 LGNは、ラベル上の因果モデルから学習し、サンプルするGANベースのアーキテクチャである。 サンプルラベルは条件付きGANアーキテクチャであるCIGNに供給され、ラベル、ピクセル、ピクセル間の関係を学習し、それらに基づいてサンプルを生成する。 この枠組みは、可能な介入機構を備えている。 介入分布からサンプルを生成するモデルです 我々はCANの性能を定量的に定性的に評価し、CelebAデータに顔生成を適用するために因果グラフにアクセスすることなく、介入サンプルと条件サンプルの両方を生成できることを実証的に示す。

関連論文リスト

• Conditional Generative Models are Sufficient to Sample from Any Causal Effect Estimand [9.460857822923842]
  観測データからの因果推論は、信頼できる機械学習における多くの応用において重要な役割を果たす。 任意の因果グラフを与えられた任意の介入分布からサンプリングする方法を示す。 またテキストと画像変数を含むMIMIC-CXRデータセットから高次元干渉サンプルを生成する。
  論文  参考訳（メタデータ） (2024-02-12T05:48:31Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• De-Biasing Generative Models using Counterfactual Methods [0.0]
  我々はCausal Counterfactual Generative Model (CCGM) と呼ばれる新しいデコーダベースのフレームワークを提案する。 提案手法は,因果関係の忠実さを強調するために,因果関係の潜在空間VAEモデルと特定の修正を加えたものである。 因果的学習と符号化/復号化が因果的介入の質をいかに高めるかを検討する。
  論文  参考訳（メタデータ） (2022-07-04T16:53:20Z)
• Generating unrepresented proportions of geological facies using Generative Adversarial Networks [0.0]
  地質データセットにおける相の補間・補間におけるGAN(Generative Adversarial Networks)の能力について検討した。 具体的には、トレーニングセットに存在しない新しい比率に向けて、生成されたファシズムを駆動できる条件付きGANモデルを設計する。 両相・多重相の画像に対する数値実験は, 良好な地質学的整合性を示し, 対象条件と強い相関を示した。
  論文  参考訳（メタデータ） (2022-03-17T22:38:45Z)
• iNNformant: Boundary Samples as Telltale Watermarks [68.8204255655161]
  4つの試験されたマイクロアーキテクチャのいずれかを識別できる境界サンプルの集合を生成することができることを示す。 これらのセットは70dBよりも悪いピーク信号-雑音比のサンプルを含まないように構築することができる。
  論文  参考訳（メタデータ） (2021-06-14T11:18:32Z)
• On the Fairness of Generative Adversarial Networks (GANs) [1.061960673667643]
  GAN(Generative adversarial Network)は、近年のAIの最大の進歩の1つです。 本稿では,GANモデルの公平性に関する問題を分析し,強調する。
  論文  参考訳（メタデータ） (2021-03-01T12:25:01Z)
• Guiding GANs: How to control non-conditional pre-trained GANs for conditional image generation [69.10717733870575]
  本稿では,汎用非条件GANを条件GANとして振る舞うための新しい方法を提案する。 提案手法は,非条件GANのジェネレータネットワークに供給される高次元ランダム入力を生成するために,エンコーダネットワークを混合するものである。
  論文  参考訳（メタデータ） (2021-01-04T14:03:32Z)
• 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)
• GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences [70.30467057209405]
  GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。 GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。 本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
  論文  参考訳（メタデータ） (2020-03-02T04:31:22Z)
• Brainstorming Generative Adversarial Networks (BGANs): Towards Multi-Agent Generative Models with Distributed Private Datasets [70.62568022925971]
  生成的敵ネットワーク(GAN)は、データ空間を適切に表現する大規模なデータセットによって供給されなければならない。 多くのシナリオでは、利用可能なデータセットは制限され、複数のエージェントに分散する可能性がある。 本稿では,BGAN(Breepstorming GAN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-02T02:58:32Z)

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。