Fugu-MT 論文翻訳(概要): CausalNLP: A Practical Toolkit for Causal Inference with Text

論文の概要: CausalNLP: A Practical Toolkit for Causal Inference with Text

arxiv url: http://arxiv.org/abs/2106.08043v1
Date: Tue, 15 Jun 2021 10:57:44 GMT
ステータス: 処理完了
システム内更新日: 2021-06-16 15:32:59.080745
Title: CausalNLP: A Practical Toolkit for Causal Inference with Text
Title（参考訳）: CausalNLP: テキストによる因果推論のための実用的なツールキット
Authors: Arun S. Maiya
Abstract要約: CausalNLPは観測データから因果関係を推定するためのツールキットである。メタラーナーを用いて治療効果を推定する。生のテキストとその言語特性を、処理と"制御された"変数の両方として使用できる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The vast majority of existing methods and systems for causal inference assume that all variables under consideration are categorical or numerical (e.g., gender, price, blood pressure, enrollment). In this paper, we present CausalNLP, a toolkit for inferring causality from observational data that includes text in addition to traditional numerical and categorical variables. CausalNLP employs the use of meta-learners for treatment effect estimation and supports using raw text and its linguistic properties as both a treatment and a "controlled-for" variable (e.g., confounder). The library is open-source and available at: https://github.com/amaiya/causalnlp.
Abstract（参考訳）: 因果推論のための既存の方法やシステムは、すべての変数がカテゴリーや数値(性別、価格、血圧、登録など)であると仮定している。本稿では,従来の数値および分類変数に加えて,テキストを含む観測データから因果関係を推定するツールキットCausalNLPを提案する。 CausalNLPは治療効果推定にメタラーナーを使用し、生のテキストとその言語特性を治療と「制御された」変数(例えば、共同設立者)の両方として使用する。ライブラリはオープンソースで、https://github.com/amaiya/causalnlp.com/で入手できる。

関連論文リスト

Counterfactual Causal Inference in Natural Language with Large Language Models [9.153187514369849]
本稿では,自然言語からの因果構造発見と因果推論手法を提案する。まず LLM を用いてテキストデータからインスタンス化された因果変数を抽出し,因果グラフを構築する。次に、推定されたグラフに対して反実数推論を行う。
論文参考訳（メタデータ） (2024-10-08T21:53:07Z)
Distributional Preference Learning: Understanding and Accounting for Hidden Context in RLHF [10.43364672415871]
実際には、人間のフィードバックからの好みの学習は、隠れたコンテキストを持つ不完全なデータに依存する。本研究では、人間のフィードバックからの強化学習を含む嗜好学習の標準的な応用が、隠れた文脈の上に暗黙的に集約されていることを示す。隠れコンテキストをよりよく考慮するために,分布選好学習(DPL)と呼ばれる手法のクラスを導入する。
論文参考訳（メタデータ） (2023-12-13T18:51:34Z)
Statistically Valid Variable Importance Assessment through Conditional Permutations [19.095605415846187]
Conditional Permutation Importanceは、変数の重要度評価に対する新しいアプローチである。我々は、$textitCPI$が、正確な型Iエラー制御を提供することで、標準置換の重要性の限界を克服していることを示す。この結果から,$textitCPI$は置換型メソッドのドロップイン置換として簡単に利用できることが示唆された。
論文参考訳（メタデータ） (2023-09-14T10:53:36Z)
Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
論文参考訳（メタデータ） (2023-07-05T20:16:20Z)
Can Large Language Models Infer Causation from Correlation? [104.96351414570239]
大規模言語モデル(LLM)の純粋因果推論スキルをテストする。相関文の集合を取り、変数間の因果関係を決定する新しいタスクCorr2Causeを定式化する。これらのモデルがタスクのランダムな性能にほぼ近い結果が得られることを示す。
論文参考訳（メタデータ） (2023-06-09T12:09:15Z)
Interpretability at Scale: Identifying Causal Mechanisms in Alpaca [62.65877150123775]
本研究では、Boundless DASを用いて、命令に従う間、大規模言語モデルにおける解釈可能な因果構造を効率的に探索する。私たちの発見は、成長し、最も広くデプロイされている言語モデルの内部構造を忠実に理解するための第一歩です。
論文参考訳（メタデータ） (2023-05-15T17:15:40Z)
Naturalistic Causal Probing for Morpho-Syntax [76.83735391276547]
スペインにおける実世界のデータに対する入力レベルの介入に対する自然主義的戦略を提案する。提案手法を用いて,共同設立者から文章中の形態・症状の特徴を抽出する。本研究では,事前学習したモデルから抽出した文脈化表現に対する性別と数字の因果効果を解析するために,本手法を適用した。
論文参考訳（メタデータ） (2022-05-14T11:47:58Z)
Counterfactual Invariance to Spurious Correlations: Why and How to Pass Stress Tests [87.60900567941428]
素早い相関」とは、アナリストが重要とすべきでないと考える入力データのある側面に対するモデルの依存である。機械学習では、これらにはノウ・イ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ」という特徴がある。因果推論ツールを用いたストレステストについて検討した。
論文参考訳（メタデータ） (2021-05-31T14:39:38Z)
Back to the Basics: A Quantitative Analysis of Statistical and Graph-Based Term Weighting Schemes for Keyword Extraction [1.0312968200748116]
用語重み付けスキームは自然言語処理や情報検索で広く使われている。本稿では,統計およびグラフに基づく項重み付け手法の総合的および大規模比較を行う。 tf-idfに対する語彙的特異性の低さの利点など,いくつかの興味深い知見が得られた。
論文参考訳（メタデータ） (2021-04-16T10:49:58Z)
DoWhy: An End-to-End Library for Causal Inference [16.764873959182765]
因果仮定で構築されたオープンソースのPythonライブラリであるDoWhyを,その第一級市民として説明する。 DoWhy氏は、あらゆる因果解析に共通する4つのステップのAPIを提示している。特にDoWhyは、プラセボテスト、ブートストラップテスト、未発見のコンバウンディングのテストなど、多数のチェックを実装している。
論文参考訳（メタデータ） (2020-11-09T06:22:11Z)
The Paradigm Discovery Problem [121.79963594279893]
我々は、パラダイム発見問題を定式化し、システム判定のためのメトリクスを開発する。 5つの多言語に対する経験的結果について報告する。私たちのコードとデータは公開されています。
論文参考訳（メタデータ） (2020-05-04T16:38:54Z)

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。