論文の概要: Shadow-Mapping for Unsupervised Neural Causal Discovery

• arxiv url: http://arxiv.org/abs/2104.08183v1
• Date: Fri, 16 Apr 2021 15:50:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 14:29:41.509489
• Title: Shadow-Mapping for Unsupervised Neural Causal Discovery
• Title（参考訳）: 教師なし神経因果発見のためのシャドウマッピング
• Authors: Matthew J. Vowels, Necati Cihan Camgoz and Richard Bowden
• Abstract要約: 本稿では,高次元映像データを低次元影表現に埋め込んで因果関係を推定するニューラルネットワークに基づく手法について述べる。 動的システムのビデオ表現から因果関係を発見する際の性能を示す。
• 参考スコア（独自算出の注目度）: 37.03455364275332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An important goal across most scientific fields is the discovery of causal structures underling a set of observations. Unfortunately, causal discovery methods which are based on correlation or mutual information can often fail to identify causal links in systems which exhibit dynamic relationships. Such dynamic systems (including the famous coupled logistic map) exhibit `mirage' correlations which appear and disappear depending on the observation window. This means not only that correlation is not causation but, perhaps counter-intuitively, that causation may occur without correlation. In this paper we describe Neural Shadow-Mapping, a neural network based method which embeds high-dimensional video data into a low-dimensional shadow representation, for subsequent estimation of causal links. We demonstrate its performance at discovering causal links from video-representations of dynamic systems.
• Abstract（参考訳）: ほとんどの科学分野において重要なゴールは、一連の観測に基づく因果構造の発見である。 残念ながら、相関や相互情報に基づく因果発見法は、動的関係を示すシステムにおいて因果関係を識別できないことが多い。 このような動的システム(有名な結合ロジスティックマップを含む)は、観測窓によって出現・消失する「ミラージュ」相関を示す。 これは、相関が因果関係ではなく、おそらく反故意に、因果関係が関係なく起こる可能性があることを意味する。 本稿では,高次元映像データを低次元のシャドウ表現に組み込むニューラルネットワークに基づく手法であるneural shadow-mappingについて述べる。 動的システムのビデオ表現から因果関係を発見する際の性能を示す。

関連論文リスト

• CausalLP: Learning causal relations with weighted knowledge graph link prediction [5.3454230926797734]
  CausalLPは知識グラフ補完問題として不完全因果ネットワークの問題を定式化している。 因果関係を表す知識グラフを使うことで、外部のドメイン知識の統合が可能になる。 CausalLPでは、因果的説明と因果的予測という2つの主要なタスクがサポートされている。
  論文  参考訳（メタデータ） (2024-04-23T20:50:06Z)
• Hierarchical Graph Neural Networks for Causal Discovery and Root Cause Localization [52.72490784720227]
  REASONはTopological Causal DiscoveryとPersonal Causal Discoveryで構成されている。 Topological Causal Discoveryコンポーネントは、根本原因を辿るために断層伝播をモデル化することを目的としている。 個々の因果発見コンポーネントは、単一のシステムエンティティの突然の変化パターンのキャプチャに重点を置いている。
  論文  参考訳（メタデータ） (2023-02-03T20:17:45Z)
• Learning latent causal relationships in multiple time series [0.0]
  多くの系では、因果関係は観測データに線形混合として表される潜在空間に埋め込まれる。 潜伏源を盲目的に識別する手法を提示する。 提案手法は教師なしで、任意の時系列に容易に適用でき、データの背後にある因果関係に光を当てることができる。
  論文  参考訳（メタデータ） (2022-03-21T00:20:06Z)
• 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)
• Causal Discovery in Knowledge Graphs by Exploiting Asymmetric Properties of Non-Gaussian Distributions [3.1981440103815717]
  我々は、知識グラフで原因と影響の関係を発見できるハイブリッドアプローチを定義します。 提案手法は, 非ガウスモデルを用いて, 非実験行列の瞬時因果構造を求めることに基づく。 因果発見には2つのアルゴリズム、知識グラフの分解には1つのアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-06-02T09:33:05Z)
• To do or not to do: finding causal relations in smart homes [2.064612766965483]
  本稿では,環境と観測データの混合実験から因果モデルを学ぶための新しい手法を提案する。 我々の手法の核心は、選択された介入の使用であり、特に、介入が不可能な変数を考慮に入れた学習である。 本手法をスマートホームシミュレーション,すなわち因果関係を知ることが説明可能なシステムへの道を開くユースケースに応用する。
  論文  参考訳（メタデータ） (2021-05-20T22:36:04Z)
• ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
  因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。 純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
  論文  参考訳（メタデータ） (2021-03-26T02:42:38Z)
• Fuzzy Stochastic Timed Petri Nets for Causal properties representation [68.8204255655161]
  因果関係はしばしば有向グラフで表され、原因を示すノードと因果関係を表すリンクがある。 因果シナリオをグラフィカルに表現するために使われる一般的な方法は、ニューロン、真理表、因果ベイズネットワーク、認知地図、ペトリネットである。 従来のモデルは、前述のプロパティのいくつかを別々に表現できるが、それら全てをはっきりと説明しようとはしないことを示す。
  論文  参考訳（メタデータ） (2020-11-24T13:22:34Z)
• Learning Causal Models Online [103.87959747047158]
  予測モデルは、予測を行うためにデータの急激な相関に依存することができる。 強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。 本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-12T20:49:20Z)

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。