論文の概要: Compositional Abstraction Error and a Category of Causal Models
- arxiv url: http://arxiv.org/abs/2103.15758v1
- Date: Mon, 29 Mar 2021 16:48:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 15:28:53.642473
- Title: Compositional Abstraction Error and a Category of Causal Models
- Title(参考訳): 合成抽象誤差と因果モデルのカテゴリー
- Authors: Eigil F. Rischel, Sebastian Weichwald
- Abstract要約: 我々は、合成性はモデル変換と関連するエラーのデシデラタムであると主張する。
モデル変換と抽象化のためのフレームワークを,構成的なエラーの概念で開発する。
- 参考スコア(独自算出の注目度): 2.291640606078406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interventional causal models describe joint distributions over some variables
used to describe a system, one for each intervention setting. They provide a
formal recipe for how to move between joint distributions and make predictions
about the variables upon intervening on the system. Yet, it is difficult to
formalise how we may change the underlying variables used to describe the
system, say from fine-grained to coarse-grained variables. Here, we argue that
compositionality is a desideratum for model transformations and the associated
errors. We develop a framework for model transformations and abstractions with
a notion of error that is compositional: when abstracting a reference model M
modularly, first obtaining M' and then further simplifying that to obtain M'',
then the composite transformation from M to M'' exists and its error can be
bounded by the errors incurred by each individual transformation step. Category
theory, the study of mathematical objects via the compositional transformations
between them, offers a natural language for developing our framework. We
introduce a category of finite interventional causal models and, leveraging
theory of enriched categories, prove that our framework enjoys the desired
compositionality properties.
- Abstract(参考訳): インターベンショナル因果モデル(Interventional causal model)は、システムを記述するために使われるいくつかの変数のジョイント分布を記述する。
彼らはジョイント分布間の移動方法とシステムへの介入時に変数に関する予測を行うための公式なレシピを提供する。
しかし,細粒度変数から粗粒度変数まで,システム記述の基盤となる変数をどのように変更するかを定式化することは困難である。
ここでは、合成性はモデル変換と関連するエラーのデシデラタムであると主張する。
参照モデル M をモジュラーに抽象化し、まず M' を取得し、さらに M'' を得るように単純化すると、M' から M' への合成変換が存在し、その誤差は各変換ステップによって生じる誤差によって境界づけられる。
それらの間の構成変換による数学的対象の研究であるカテゴリー理論は、我々のフレームワークを開発するための自然言語を提供する。
有限介入因果モデル(有限介入因果モデル)のカテゴリを導入し,富化圏の理論を活用し,我々の枠組みが所望の構成性特性を享受することを示す。
関連論文リスト
- Learning Structural Causal Models from Ordering: Identifiable Flow Models [19.99352354910655]
本稿では,変数の可逆変換を部品的に再現するフローモデルを提案する。
本稿では,すべての因果メカニズムの同時学習を可能にする設計改善を提案する。
本手法は,既存の拡散法に比べて計算時間を大幅に短縮する。
論文 参考訳(メタデータ) (2024-12-13T04:25:56Z) - Shape Arithmetic Expressions: Advancing Scientific Discovery Beyond Closed-Form Equations [56.78271181959529]
GAM(Generalized Additive Models)は、変数とターゲットの間の非線形関係をキャプチャできるが、複雑な特徴相互作用をキャプチャすることはできない。
本稿では,GAMのフレキシブルな形状関数と,数学的表現に見られる複雑な特徴相互作用を融合させる形状表現算術(SHARE)を提案する。
また、標準制約を超えた表現の透明性を保証するSHAREを構築するための一連のルールを設計する。
論文 参考訳(メタデータ) (2024-04-15T13:44:01Z) - A Fixed-Point Approach for Causal Generative Modeling [20.88890689294816]
本稿では,構造因果モデル(Structure Causal Models, SCM)を因果順序付き変数の固定点問題として記述する新しい形式論を提案する。
トポロジカル順序付け(TO)を考えると,その特異な回復のために最も弱い既知の条件を確立する。
論文 参考訳(メタデータ) (2024-04-10T12:29:05Z) - Representation Surgery for Multi-Task Model Merging [57.63643005215592]
マルチタスク学習(MTL)は、複数のタスクから情報を統一されたバックボーンに圧縮し、計算効率と一般化を改善する。
最近の研究は、複数の独立して訓練されたモデルをマージして、共同トレーニングのために生データを収集する代わりにMLLを実行する。
既存のモデルマージスキームの表現分布を可視化することにより、マージモデルはしばしば表現バイアスのジレンマに悩まされる。
論文 参考訳(メタデータ) (2024-02-05T03:39:39Z) - HiPerformer: Hierarchically Permutation-Equivariant Transformer for Time
Series Forecasting [56.95572957863576]
本稿では,同じ群を構成する成分間の関係と群間の関係を考察した階層的置換同変モデルを提案する。
実世界のデータを用いた実験により,提案手法が既存の最先端手法より優れていることを示す。
論文 参考訳(メタデータ) (2023-05-14T05:11:52Z) - Quantifying Consistency and Information Loss for Causal Abstraction
Learning [16.17846886492361]
我々は、エージェントがそのようなトレードオフを評価するために使用できる介入措置のファミリーを紹介する。
我々は,異なるタスクに適した4つの尺度を考察し,その特性を分析し,因果的抽象を評価・学習するためのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-05-07T19:10:28Z) - On the Interventional Kullback-Leibler Divergence [11.57430292133273]
因果モデル間の構造的差異と分布的差異を定量化するために、Interventional Kullback-Leibler divergenceを導入する。
本稿では,介入対象に対する十分な条件を提案し,モデルが確実に一致または一致しない観察変数のサブセットを同定する。
論文 参考訳(メタデータ) (2023-02-10T17:03:29Z) - Recursive Monte Carlo and Variational Inference with Auxiliary Variables [64.25762042361839]
再帰的補助変数推論(RAVI)はフレキシブルな提案を利用するための新しいフレームワークである。
RAVIは、表現力のある表現力のある家族を推論するためのいくつかの既存の手法を一般化し、統一する。
RAVIの設計枠組みと定理を,SalimansらによるMarkov Chain Variational Inferenceを用いて解析し,改良することにより示す。
論文 参考訳(メタデータ) (2022-03-05T23:52:40Z) - Towards Robust and Adaptive Motion Forecasting: A Causal Representation
Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。
我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。
合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文 参考訳(メタデータ) (2021-11-29T18:59:09Z) - Learning Invariances for Interpretability using Supervised VAE [0.0]
我々はモデルを解釈する手段としてモデル不変性を学習する。
可変オートエンコーダ(VAE)の教師型形式を提案する。
我々は、我々のモデルと特徴属性の手法を組み合わせることで、モデルの意思決定プロセスについてよりきめ細やかな理解を得られることを示す。
論文 参考訳(メタデータ) (2020-07-15T10:14:16Z) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳(メタデータ) (2020-02-23T22:52:28Z)
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。