Fugu-MT 論文翻訳(概要): Temporal Inference with Finite Factored Sets

論文の概要: Temporal Inference with Finite Factored Sets

arxiv url: http://arxiv.org/abs/2109.11513v1
Date: Thu, 23 Sep 2021 17:33:30 GMT
ステータス: 処理完了
システム内更新日: 2021-09-24 14:52:14.785425
Title: Temporal Inference with Finite Factored Sets
Title（参考訳）: 有限因子集合による時間的推論
Authors: Scott Garrabrant
Abstract要約: 有限因子集合は時間的関係を推定するための強力なツールであることを示す。因子集合に対するd-分離の類似性、条件性を導入する。
参考スコア（独自算出の注目度）: 0.07614628596146598
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a new approach to temporal inference, inspired by the Pearlian causal inference paradigm - though quite different from Pearl's approach formally. Rather than using directed acyclic graphs, we make use of factored sets, which are sets expressed as Cartesian products. We show that finite factored sets are powerful tools for inferring temporal relations. We introduce an analog of d-separation for factored sets, conditional orthogonality, and we demonstrate that this notion is equivalent to conditional independence in all probability distributions on a finite factored set.
Abstract（参考訳）: 我々はパール因果推論パラダイムにインスパイアされた時間的推論に対する新しいアプローチを提案するが、パールのアプローチは公式にはパールのアプローチとは全く異なる。有向非巡回グラフを使うのではなく、カルテシアン積として表される集合である因子集合を利用する。有限因子集合は時間関係を推論するための強力なツールであることを示す。因子集合,条件付き直交性に対するd-分離の類似性を導入し,有限因子集合上のすべての確率分布における条件付き独立性と同値であることを示す。

関連論文リスト

Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術よりも優れていることが示された。
論文参考訳（メタデータ） (2024-08-10T17:04:39Z)
Elementary fractal geometry. 5. Weak separation is strong separation [0.0]
有限型自己相似集合は開集合条件に従うグラフ指向の構成として表せることを示す。この証明は、コンピュータ実験でよく実行されるアルゴリズムに基づいている。
論文参考訳（メタデータ） (2024-04-07T09:21:09Z)
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)
Invariant Causal Set Covering Machines [64.86459157191346]
決定木のようなルールベースのモデルは、解釈可能な性質のために実践者にアピールする。しかし、そのようなモデルを生成する学習アルゴリズムは、しばしば刺激的な関連に弱いため、因果関係の洞察を抽出することが保証されていない。 Invariant Causal Set Covering Machines は、古典的集合被覆マシンアルゴリズムの拡張であり、二値ルールの結合/分離を可能とし、スプリアス関係を確実に回避する。
論文参考訳（メタデータ） (2023-06-07T20:52:01Z)
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)
The Geometry of Causality [0.0]
我々は因果関係、非局所性、文脈性の研究のための統一的な枠組みを提供する。我々は、入力履歴の任意の空間と入力コンテキストの任意の選択について、因果関係を定義する。任意の因果制約に対して因果分離性の概念を導入する。
論文参考訳（メタデータ） (2023-03-16T01:11:47Z)
Disentanglement of Correlated Factors via Hausdorff Factorized Support [53.23740352226391]
本稿では,因子分布ではなく,因子化支援を助長する緩やかな解離基準,HFS(Hausdorff Factorized Support)基準を提案する。本研究では,HFSを用いることにより,様々な相関設定やベンチマークにおいて,接地構造因子の絡み合いと回復が一貫して促進されることを示す。
論文参考訳（メタデータ） (2022-10-13T20:46:42Z)
Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文参考訳（メタデータ） (2020-11-04T10:25:13Z)
p-d-Separation -- A Concept for Expressing Dependence/Independence Relations in Causal Networks [0.0]
p-d-分離(部分依存性分離)の概念を利用してパールd-分離の導出を証明する。また、利用可能な独立情報を含む有向非巡回グラフ(ダグ)を全て構築するためのアルゴリズムも提示する。
論文参考訳（メタデータ） (2020-06-15T09:30:12Z)

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。