論文の概要: Interactive Causal Structure Discovery in Earth System Sciences
- arxiv url: http://arxiv.org/abs/2107.01126v1
- Date: Thu, 1 Jul 2021 09:23:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-06 06:39:04.309681
- Title: Interactive Causal Structure Discovery in Earth System Sciences
- Title（参考訳）: 地球系科学における対話的因果構造発見
- Authors: Laila Melkas, Rafael Savvides, Suyog Chandramouli, Jarmo M\"akel\"a,
Tuomo Nieminen, Ivan Mammarella and Kai Puolam\"aki
- Abstract要約: 因果構造発見(CSD)モデルは、地球システム科学を含むいくつかの領域に進出している。
彼らの広範な適応は、結果のモデルが専門家のドメイン知識を考慮していないことが多いという事実によって妨げられている。
我々は、この知識を考慮に入れ、地球系科学にCSDアルゴリズムを適用するために必要となるワークフローを提示する。
- 参考スコア（独自算出の注目度）: 6.788563219859884
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal structure discovery (CSD) models are making inroads into several
domains, including Earth system sciences. Their widespread adaptation is
however hampered by the fact that the resulting models often do not take into
account the domain knowledge of the experts and that it is often necessary to
modify the resulting models iteratively. We present a workflow that is required
to take this knowledge into account and to apply CSD algorithms in Earth system
sciences. At the same time, we describe open research questions that still need
to be addressed. We present a way to interactively modify the outputs of the
CSD algorithms and argue that the user interaction can be modelled as a greedy
finding of the local maximum-a-posteriori solution of the likelihood function,
which is composed of the likelihood of the causal model and the prior
distribution representing the knowledge of the expert user. We use a real-world
data set for examples constructed in collaboration with our co-authors, who are
the domain area experts. We show that finding maximally usable causal models in
the Earth system sciences or other similar domains is a difficult task which
contains many interesting open research questions. We argue that taking the
domain knowledge into account has a substantial effect on the final causal
models discovered.
- Abstract（参考訳）: 因果構造発見(CSD)モデルは、地球システム科学を含むいくつかの領域に進出している。
しかし、それらの広範な適応は、結果のモデルが専門家のドメイン知識を考慮しないことが多く、結果のモデルを反復的に修正することがしばしば必要であるという事実によって妨げられている。
我々は、この知識を考慮に入れ、地球系科学にCSDアルゴリズムを適用するために必要となるワークフローを提示する。
同時に、まだ解決する必要があるオープンリサーチの質問についても述べます。
本稿では, CSDアルゴリズムの出力をインタラクティブに修正する方法を提案し, ユーザインタラクションを, 利用者の知識を表わす因果モデルの確率と, 専門家の知識を表わす事前分布から構成した, 確率関数の局所的最大時間差解の欲求的発見としてモデル化できると主張している。
ドメイン領域の専門家である共著者と共同で構築したサンプルには、実世界のデータセットを使用します。
地球系科学や他の類似領域で最大に使用可能な因果モデルを見つけることは、多くの興味深い研究課題を含む難しい課題であることを示している。
ドメインの知識を考慮に入れることは、発見された最終因果モデルに重大な影響を与えると我々は主張する。
関連論文リスト
- RealTCD: Temporal Causal Discovery from Interventional Data with Large Language Model [15.416325455014462]
時間因果発見は、観察から直接変数間の時間因果関係を特定することを目的としている。
既存の手法は主に介入対象に大きく依存する合成データセットに焦点を当てている。
本稿では、ドメイン知識を活用して、介入対象のない時間的因果関係を発見できるRealTCDフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-23T06:52:40Z) - DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。
我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。
DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
論文 参考訳（メタデータ） (2024-02-29T07:09:01Z) - Targeted Reduction of Causal Models [55.11778726095353]
因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。
本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。
複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
論文 参考訳（メタデータ） (2023-11-30T15:46:22Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z) - Causal Structure Learning with Recommendation System [46.90516308311924]
まず,その基盤となる因果構造を因果構造モデルとして定式化し,提案システムの現実的な作業機構を基盤とした一般的な因果構造学習フレームワークについて述べる。
次に,本フレームワークから学習目標を導出し,効率的な最適化のための拡張ラグランジアンソルバを提案する。
論文 参考訳（メタデータ） (2022-10-19T02:31:47Z) - Learning domain-specific causal discovery from time series [7.298647409503783]
時間変化データからの因果発見は神経科学、医学、機械学習において重要である。
人間の専門知識は必ずしも正確ではなく、豊富なデータを持つ領域では優れる傾向がある。
本研究では,データ駆動手法を用いて時系列のドメイン固有因果探索を向上できるかを検討する。
論文 参考訳（メタデータ） (2022-09-12T20:32:39Z) - How to Tell Deep Neural Networks What We Know [2.2186394337073527]
本稿では、入力、損失関数、深層ネットワークのアーキテクチャの変更によるドメイン知識の包含について検討する。
各カテゴリにおいて,ネットワーク性能に大きな変化をもたらすことが示されている技術について述べる。
論文 参考訳（メタデータ） (2021-07-21T18:18:02Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - Domain Adaption for Knowledge Tracing [65.86619804954283]
本稿では,DAKT問題に対処するための新しい適応型フレームワーク,すなわち知識追跡(AKT)を提案する。
まず,Deep Knowledge Trace(DKT)に基づく教育的特徴(スリップ,推測,質問文など)を取り入れ,優れた知識追跡モデルを得る。
第2の側面として、3つのドメイン適応プロセスを提案し、採用する。まず、ターゲットモデルトレーニングに有用なソースインスタンスを選択するために、自動エンコーダを事前訓練する。
論文 参考訳（メタデータ） (2020-01-14T15:04:48Z)
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。