Fugu-MT 論文翻訳(概要): Equivalent Causal Models

論文の概要: Equivalent Causal Models

arxiv url: http://arxiv.org/abs/2012.05603v1
Date: Thu, 10 Dec 2020 11:43:35 GMT
ステータス: 処理完了
システム内更新日: 2021-05-15 06:27:43.058522
Title: Equivalent Causal Models
Title（参考訳）: 等価因果モデル
Authors: Sander Beckers
Abstract要約: 2つのモデルは、共通変数を使用して表現できるすべての「必須」因果情報に同意すると等価です。私は因果モデルの2つの主な特徴、すなわち構造的関係と機能的関係に注目してそうします。
参考スコア（独自算出の注目度）: 3.198144010381572
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The aim of this paper is to offer the first systematic exploration and definition of equivalent causal models in the context where both models are not made up of the same variables. The idea is that two models are equivalent when they agree on all "essential" causal information that can be expressed using their common variables. I do so by focussing on the two main features of causal models, namely their structural relations and their functional relations. In particular, I define several relations of causal ancestry and several relations of causal sufficiency, and require that the most general of these relations are preserved across equivalent models.
Abstract（参考訳）: 本研究の目的は,両モデルが同一変数で構成されていない状況下で,等価因果モデルの最初の体系的探索と定義を提供することである。この考え方は、2つのモデルが共通変数を使って表現できるすべての「重要」因果情報に同意するときに等価である。私は因果モデルの2つの主な特徴、すなわち構造的関係と機能的関係に注目してそうします。特に、因果関係のいくつかの関係と因果関係のいくつかの関係を定義し、これらの関係の最も一般的なものは等価なモデルで保存されることを要求する。

関連論文リスト

Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文参考訳（メタデータ） (2023-10-24T07:46:10Z)
Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文参考訳（メタデータ） (2023-08-24T16:06:36Z)
Axiomatization of Interventional Probability Distributions [4.02487511510606]
因果的介入は、do-calculusの規則の下で公理化される。我々の公理化の下では、インターベンジド分布は定義されたインターベンジド因果グラフに対するマルコフ分布であることが示される。また、自然構造因果モデルの大規模なクラスが、ここで提示される理論を満たすことを示す。
論文参考訳（メタデータ） (2023-05-08T06:07:42Z)
Causal models in string diagrams [0.0]
因果モデル(英語版)の枠組みは、今日多くの科学的領域で適用されている因果推論に対する原則化されたアプローチを提供する。本稿では,この枠組みを,圏論を用いて形式的に解釈した文字列図形言語に提示する。因果モデルフレームワークによる因果推論は、最も自然かつ直感的に図式推論として行われることを議論し、実証する。
論文参考訳（メタデータ） (2023-04-15T21:54:48Z)
Causality Inspired Representation Learning for Domain Generalization [47.574964496891404]
本稿では、ドメイン一般化問題を形式化する一般的な構造因果モデルを提案する。我々の目標は、入力から因果因子を抽出し、不変因果機構を再構築することである。理想的な因果因子は、非因果的要因から分離され、共同独立であり、分類に十分な因果的要因である。
論文参考訳（メタデータ） (2022-03-27T08:08:33Z)
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)
Restricted Hidden Cardinality Constraints in Causal Models [0.0]
観測されていない変数を持つ因果モデルは、観測された変数上の分布に非自明な制約を課す。我々は、観測されていない変数が既知の濃度を持つことを約束する因果モデルを考える。
論文参考訳（メタデータ） (2021-09-13T00:52:08Z)
Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文参考訳（メタデータ） (2021-09-06T14:52:58Z)
Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文参考訳（メタデータ） (2021-07-02T05:44:56Z)
CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。