論文の概要: Independent mechanism analysis, a new concept?
- arxiv url: http://arxiv.org/abs/2106.05200v1
- Date: Wed, 9 Jun 2021 16:45:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-10 15:32:19.583186
- Title: Independent mechanism analysis, a new concept?
- Title(参考訳): 独立したメカニズム分析、新しい概念?
- Authors: Luigi Gresele, Julius von K\"ugelgen, Vincent Stimper, Bernhard
Sch\"olkopf, Michel Besserve
- Abstract要約: Identifiabilityは、通常観察される変数が生成プロセスに含まれる設定で回復することができる。
我々は,非線形ブラインド音源分離における非識別性問題の多くを回避できるという理論的,実証的な証拠を提供する。
- 参考スコア(独自算出の注目度): 3.2548794659022393
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Independent component analysis provides a principled framework for
unsupervised representation learning, with solid theory on the identifiability
of the latent code that generated the data, given only observations of mixtures
thereof. Unfortunately, when the mixing is nonlinear, the model is provably
nonidentifiable, since statistical independence alone does not sufficiently
constrain the problem. Identifiability can be recovered in settings where
additional, typically observed variables are included in the generative
process. We investigate an alternative path and consider instead including
assumptions reflecting the principle of independent causal mechanisms exploited
in the field of causality. Specifically, our approach is motivated by thinking
of each source as independently influencing the mixing process. This gives rise
to a framework which we term independent mechanism analysis. We provide
theoretical and empirical evidence that our approach circumvents a number of
nonidentifiability issues arising in nonlinear blind source separation.
- Abstract(参考訳): 独立成分分析(Independent component analysis)は、教師なし表現学習のための原則化されたフレームワークを提供する。
残念ながら、混合が非線形である場合、統計的独立性だけでは問題が十分に制約されないため、モデルは証明可能でない。
Identifiabilityは、通常観察される変数が生成プロセスに含まれる設定で回復することができる。
代替経路を調査し,その代わりに,因果関係の分野において活用される独立因果機構の原理を反映した仮定を検討する。
具体的には、それぞれのソースが混合プロセスに独立に影響を及ぼすと考えることによって、我々のアプローチを動機付けている。
これにより、独立メカニズム分析と呼ばれるフレームワークが生まれます。
我々は,非線形ブラインド音源分離における非識別性問題の多くを回避できるという理論的,実証的な証拠を提供する。
関連論文リスト
- Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse
Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。
本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。
学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
論文 参考訳(メタデータ) (2024-01-10T02:38:21Z) - Generalizing Nonlinear ICA Beyond Structural Sparsity [15.450470872782082]
非線形ICAの識別性は追加の仮定なしでは不可能であることが知られている。
近年の進歩は、構造スパーシティとして知られる観測変数への接続構造に関する条件を提案している。
フレキシブルなグルーピング構造であっても,適切な識別性が得られることを示す。
論文 参考訳(メタデータ) (2023-11-01T21:36:15Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳(メタデータ) (2023-06-01T10:51:58Z) - Probing the Robustness of Independent Mechanism Analysis for
Representation Learning [9.595894646594274]
独立メカニズム分析 (Independent Mechanism Analysis, IMA) と呼ばれる最近提案された手法は、各潜水源が観測された混合物に独立に影響を及ぼすべきであることを仮定している。
IMAをベースとした正則化による真の情報源の復元は,IMAの原理に違反する様々な度合いの混合関数に拡張されることを示す。
論文 参考訳(メタデータ) (2022-07-13T11:51:16Z) - On the Identifiability of Nonlinear ICA: Sparsity and Beyond [20.644375143901488]
自明な不確定点を特定できる非線形ICAモデルをいかにして特定させるかは、教師なし学習における長年の問題である。
最近のブレークスルーは、いくつかの補助変数が与えられた条件付き独立としてソースの標準独立仮定を再構成する。
このような制約の特定のインスタンス化の下では、独立潜水源はそれらの非線形混合から置換まで同定できることを示す。
論文 参考訳(メタデータ) (2022-06-15T18:24:22Z) - Non-Linear Spectral Dimensionality Reduction Under Uncertainty [107.01839211235583]
我々は、不確実性情報を活用し、いくつかの従来のアプローチを直接拡張する、NGEUと呼ばれる新しい次元削減フレームワークを提案する。
提案したNGEUの定式化は,大域的な閉形式解を示し,Radecherの複雑性に基づいて,基礎となる不確実性がフレームワークの一般化能力に理論的にどのように影響するかを分析する。
論文 参考訳(メタデータ) (2022-02-09T19:01:33Z) - Discovering Latent Causal Variables via Mechanism Sparsity: A New
Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。
潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文 参考訳(メタデータ) (2021-07-21T14:22:14Z) - Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。
このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
論文 参考訳(メタデータ) (2021-02-04T20:28:44Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳(メタデータ) (2021-01-17T07:48:45Z)
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。