論文の概要: Towards Causal Representation Learning

• arxiv url: http://arxiv.org/abs/2102.11107v1
• Date: Mon, 22 Feb 2021 15:26:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 15:17:55.989488
• Title: Towards Causal Representation Learning
• Title（参考訳）: 因果表現学習に向けて
• Authors: Bernhard Sch\"olkopf, Francesco Locatello, Stefan Bauer, Nan Rosemary Ke, Nal Kalchbrenner, Anirudh Goyal, Yoshua Bengio
• Abstract要約: 機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。 現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
• 参考スコア（独自算出の注目度）: 96.110881654479
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The two fields of machine learning and graphical causality arose and developed separately. However, there is now cross-pollination and increasing interest in both fields to benefit from the advances of the other. In the present paper, we review fundamental concepts of causal inference and relate them to crucial open problems of machine learning, including transfer and generalization, thereby assaying how causality can contribute to modern machine learning research. This also applies in the opposite direction: we note that most work in causality starts from the premise that the causal variables are given. A central problem for AI and causality is, thus, causal representation learning, the discovery of high-level causal variables from low-level observations. Finally, we delineate some implications of causality for machine learning and propose key research areas at the intersection of both communities.
• Abstract（参考訳）: 機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。 しかし、今は相互受粉があり、双方の進歩から利益を得るために両方の分野への関心が高まっています。 本稿では,因果推論の基本概念を,移動や一般化を含む機械学習の重要なオープン問題と関連づけ,因果性が現代の機械学習研究にどのように寄与するかを検証する。 因果関係のほとんどの仕事は因果変数が与えられるという前提から始まることに注意してください。 したがって、AIと因果関係の主な問題は、因果表現学習、低レベルの観察から高レベルの因果変数の発見である。 最後に,機械学習の因果関係を概説し,両コミュニティの交点における重要な研究分野を提案する。

関連論文リスト

• Disentangled Representations for Causal Cognition [0.0]
  因果認知研究は、ヒトおよび非ヒト動物における因果学習と推論の主な特徴を記述している。 因果性に関する機械および強化学習研究は、因果的人工エージェントを設計するための具体的な試みである。 本研究では,これら2つの研究領域を結合し,因果認知のための統一的な枠組みを構築する。
  論文  参考訳（メタデータ） (2024-06-30T16:10:17Z)
• The Odyssey of Commonsense Causality: From Foundational Benchmarks to Cutting-Edge Reasoning [70.16523526957162]
  常識の因果関係を理解することは、人々が現実世界の原理をよりよく理解するのに役立ちます。 その重要性にもかかわらず、このトピックの体系的な探索は特に欠落している。 本研究の目的は、体系的な概要の提供、最近の進歩に関する学者の更新、初心者のための実践的なガイドを提供することである。
  論文  参考訳（メタデータ） (2024-06-27T16:30:50Z)
• Fundamental Properties of Causal Entropy and Information Gain [0.22252684361733285]
  最近の進歩は、構造因果モデル(SCM)による因果制御の定量化を可能にする 因果的エントロピーと因果的情報ゲインと名付けられた尺度は、因果性が重要な役割を果たす機械学習タスクに対する既存の情報理論的アプローチの限界に対処することを目的としている。
  論文  参考訳（メタデータ） (2024-02-02T11:55:57Z)
• Emergence and Causality in Complex Systems: A Survey on Causal Emergence and Related Quantitative Studies [12.78006421209864]
  因果発生理論は出現を定量化するために因果関係の尺度を用いる。 因果の出現を定量化し、データを識別する。 因果表現学習,因果モデル抽象化,世界モデルに基づく強化学習によって,因果表現の出現を識別するアーキテクチャが共有されることを強調した。
  論文  参考訳（メタデータ） (2023-12-28T04:20:46Z)
• Causal reasoning in typical computer vision tasks [11.95181390654463]
  因果理論は、データバイアスの影響を受けない本質的な因果構造をモデル化し、突発的な相関を避けるのに有効である。 本稿では,一般的な視覚・視覚言語タスクにおける既存の因果的手法(セグメンテーション,オブジェクト検出,画像キャプションなど)を包括的にレビューすることを目的とする。 今後のロードマップも提案され、因果論の開発と他の複雑なシーンやシステムへの応用が促進される。
  論文  参考訳（メタデータ） (2023-07-26T07:01:57Z)
• 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)
• Causal Deep Learning [77.49632479298745]
  因果性は、現実世界の問題を解決する方法を変える可能性がある。 しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。 我々は、因果性に関する新しい考え方を提案します。
  論文  参考訳（メタデータ） (2023-03-03T19:19:18Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Causality, Causal Discovery, and Causal Inference in Structural Engineering [1.827510863075184]
  本稿では,土木工学の観点からの因果発見と因果推論の事例を構築した。 具体的には、因果関係の鍵となる原理と、因果関係の発見と因果推論のための最も一般的なアルゴリズムとパッケージについて概説する。
  論文  参考訳（メタデータ） (2022-04-04T14:49:47Z)
• 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)

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。