Fugu-MT 論文翻訳(概要): The Causal Loss: Driving Correlation to Imply Causation

論文の概要: The Causal Loss: Driving Correlation to Imply Causation

arxiv url: http://arxiv.org/abs/2110.12066v1
Date: Fri, 22 Oct 2021 21:06:06 GMT
ステータス: 処理完了
システム内更新日: 2021-10-26 14:45:10.560912
Title: The Causal Loss: Driving Correlation to Imply Causation
Title（参考訳）: 因果的損失: 因果的因果関係の促進
Authors: Moritz Willig and Matej Ze\v{c}evi\'c and Devendra Singh Dhami and Kristian Kersting
Abstract要約: 本稿では,新たなモデル非依存損失関数Causal Lossを提案する。実験では, 因果的損失が介入能力を有する非因果的連想モデルにどのような影響を及ぼすかを示す。
参考スコア（独自算出の注目度）: 17.276657786213015
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most algorithms in classical and contemporary machine learning focus on correlation-based dependence between features to drive performance. Although success has been observed in many relevant problems, these algorithms fail when the underlying causality is inconsistent with the assumed relations. We propose a novel model-agnostic loss function called Causal Loss that improves the interventional quality of the prediction using an intervened neural-causal regularizer. In support of our theoretical results, our experimental illustration shows how causal loss bestows a non-causal associative model (like a standard neural net or decision tree) with interventional capabilities.
Abstract（参考訳）: 古典的および現代機械学習のほとんどのアルゴリズムは、パフォーマンスを駆動する特徴間の相関に基づく依存に焦点を当てている。多くの関連する問題で成功が観測されているが、これらのアルゴリズムは、基礎となる因果関係が仮定された関係と矛盾する場合に失敗する。本稿では,ニューラル因果正則化器を用いて予測の介入品質を向上させる,因果損失と呼ばれる新しいモデル依存損失関数を提案する。実験の結果から,介入的能力を持つ非因果的連想モデル(標準ニューラルネットや決定木など)を因果的損失が与える効果が示唆された。

関連論文リスト

Missed Causes and Ambiguous Effects: Counterfactuals Pose Challenges for Interpreting Neural Networks [14.407025310553225]
解釈可能性の研究は、当然のことながら因果関係の反事実理論を採っている。反事実理論は、我々の発見を具体的かつ予測可能な方法でバイアスする問題を持っている。本稿では,これらの課題が解釈可能性研究者に与える影響について論じる。
論文参考訳（メタデータ） (2024-07-05T17:53:03Z)
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)
A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
論文参考訳（メタデータ） (2023-11-27T17:40:02Z)
CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
論文参考訳（メタデータ） (2022-12-20T18:31:50Z)
Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文参考訳（メタデータ） (2022-06-04T22:38:57Z)
Causal Regularization Using Domain Priors [23.31291916031858]
そこで本研究では,因果ドメインをネットワークに組み込む因果正規化手法を提案する。このアプローチは様々な因果前の仕様に一般化可能であることを示す。ほとんどのデータセットでは、精度を犠牲にすることなくドメイン優先の一貫性のあるモデルを得ることができる。
論文参考訳（メタデータ） (2021-11-24T13:38:24Z)
Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文参考訳（メタデータ） (2021-09-06T14:52:58Z)
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)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)
Estimating Causal Effects with the Neural Autoregressive Density Estimator [6.59529078336196]
我々は、Pearlのdo-calculusフレームワーク内の因果効果を推定するために、神経自己回帰密度推定器を使用する。本手法は,変数間の相互作用を明示的にモデル化することなく,非線形システムから因果効果を抽出できることを示す。
論文参考訳（メタデータ） (2020-08-17T13:12:38Z)
Semantic Loss Application to Entity Relation Recognition [0.0]
本稿では,エンティティ関係認識のための2つの一般的なアプローチを比較する。本論文の主な貢献は,結合実体関係抽出のためのエンドツーエンドニューラルネットワークである。
論文参考訳（メタデータ） (2020-06-07T03:12:38Z)

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。