論文の概要: Multi-label Causal Variable Discovery: Learning Common Causal Variables
and Label-specific Causal Variables
- arxiv url: http://arxiv.org/abs/2011.04176v1
- Date: Mon, 9 Nov 2020 04:01:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 00:34:29.167310
- Title: Multi-label Causal Variable Discovery: Learning Common Causal Variables
and Label-specific Causal Variables
- Title（参考訳）: 多ラベル因果変数発見:共通因果変数とラベル固有因果変数を学習する
- Authors: Xingyu Wu, Bingbing Jiang, Yan Zhong, Huanhuan Chen
- Abstract要約: マルコフ境界(MB)における因果変数は、広範な単一ラベルタスクに広く応用されている。
マルチラベルシナリオのいくつかの変数は複数のラベルに関する因果情報を含んでいる可能性があるため,本論文は多ラベル因果変数発見の問題について検討する。
- 参考スコア（独自算出の注目度）: 26.517028854554358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal variables in Markov boundary (MB) have been widely applied in
extensive single-label tasks. While few researches focus on the causal variable
discovery in multi-label data due to the complex causal relationships. Since
some variables in multi-label scenario might contain causal information about
multiple labels, this paper investigates the problem of multi-label causal
variable discovery as well as the distinguishing between common causal
variables shared by multiple labels and label-specific causal variables
associated with some single labels. Considering the multiple MBs under the
non-positive joint probability distribution, we explore the relationships
between common causal variables and equivalent information phenomenon, and find
that the solutions are influenced by equivalent information following different
mechanisms with or without existence of label causality. Analyzing these
mechanisms, we provide the theoretical property of common causal variables,
based on which the discovery and distinguishing algorithm is designed to
identify these two types of variables. Similar to single-label problem, causal
variables for multiple labels also have extensive application prospects. To
demonstrate this, we apply the proposed causal mechanism to multi-label feature
selection and present an interpretable algorithm, which is proved to achieve
the minimal redundancy and the maximum relevance. Extensive experiments
demonstrate the efficacy of these contributions.
- Abstract（参考訳）: マルコフ境界(MB)における因果変数は、広範な単一ラベルタスクに広く応用されている。
複雑な因果関係によるマルチラベルデータにおける因果変数の発見に焦点を当てた研究は少ない。
本稿では,複数のラベルの因果変数発見の問題と,複数のラベルが共有する共通因果変数と,複数のラベルに関連付けられたラベル固有の因果変数との区別について検討する。
非正の関節確率分布下での複数のMBを考慮し、共通因果変数と等価情報現象の関係を探索し、その解がラベル因果性の有無にかかわらず異なるメカニズムに従う等価情報に影響されることを見出した。
これらのメカニズムを解析し,これら2種類の変数を識別するために探索・識別アルゴリズムが設計された共通因果変数の理論的性質を示す。
シングルラベル問題と同様に、複数のラベルに対する因果変数も広範な応用可能性を持っている。
そこで本研究では,提案手法をマルチラベル特徴選択に適用し,最小冗長性と最大妥当性を実現するための解釈可能なアルゴリズムを提案する。
広範な実験がこれらの貢献の有効性を実証している。
関連論文リスト
- Dual-Label Learning With Irregularly Present Labels [14.817794592309637]
本研究は,2ラベル学習に焦点をあて,新たなトレーニングおよび推論フレームワークであるデュアルラベル学習(DLL)を提案する。
提案手法は,F1スコアやMAPEの10%向上により,ベースライン手法よりも一貫した予測を行う。
また,ラベルの欠落率を60%に抑えることで,ラベルの欠落率を10%に抑えることができた。
論文 参考訳（メタデータ） (2024-10-18T11:07:26Z) - Multi-Label Feature Selection Using Adaptive and Transformed Relevance [0.0]
本稿では,ATRと呼ばれる情報理論に基づく新しい多ラベル特徴選択手法を提案する。
ATRは、個々のラベルと抽象的なラベル空間の識別能力を考慮している。
提案実験は,広範囲な特徴空間とラベル空間を特徴とするベンチマークにおけるATRのスケーラビリティを実証するものである。
論文 参考訳（メタデータ） (2023-09-26T09:01:38Z) - Nonlinearity, Feedback and Uniform Consistency in Causal Structural
Learning [0.8158530638728501]
Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。
この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
論文 参考訳（メタデータ） (2023-08-15T01:23:42Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:59:06Z) - BISCUIT: Causal Representation Learning from Binary Interactions [36.358968799947924]
BISCUITは因果変数とその対応する二項相互作用変数を同時に学習する手法である。
ロボットにインスパイアされた3つのデータセット上で、BISCUITは因果変数を正確に識別し、AIを具現化する複雑な現実的な環境にスケールすることができる。
論文 参考訳（メタデータ） (2023-06-16T06:10:55Z) - A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。
突発効果の非パラメトリック分解を可能にする最初の結果を証明する。
説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
論文 参考訳（メタデータ） (2023-06-08T09:40:28Z) - Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label
Learning [97.88458953075205]
Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。
本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
論文 参考訳（メタデータ） (2023-05-04T12:52:18Z) - SPADE: Semi-supervised Anomaly Detection under Distribution Mismatch [58.04518381476167]
SPADEは、分布ミスマッチを伴う幅広いシナリオにわたって、最先端の半教師付き異常検出性能を示す。
新しいタイプのラベルのない異常に直面したモデルなど、いくつかの一般的な現実世界設定では、SPADEは最先端の代替品を平均5%のAUCで上回っている。
論文 参考訳（メタデータ） (2022-11-30T23:39:11Z) - Multi-Label Quantification [78.83284164605473]
定量化とは、教師なしデータサンプルにおいて、興味あるクラスの相対周波数の予測子を生成する教師付き学習課題である。
本研究では,その相対頻度をより正確に予測するために,興味あるクラス間の依存関係を活用しようとするクラス有病率値の推定手法を提案する。
論文 参考訳（メタデータ） (2022-11-15T11:29:59Z) - Identifiable Latent Causal Content for Domain Adaptation under Latent Covariate Shift [82.14087963690561]
マルチソースドメイン適応(MSDA)は、ラベル付き対象ドメインのラベル予測関数を学習する際の課題に対処する。
本稿では,潜在コンテンツ変数と潜時スタイル変数とともに,ドメイン間の潜時雑音を導入し,複雑な因果生成モデルを提案する。
提案手法は、シミュレーションと実世界の両方のデータセットに対して、例外的な性能と有効性を示す。
論文 参考訳（メタデータ） (2022-08-30T11:25:15Z)
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。