論文の概要: Causal KL: Evaluating Causal Discovery

• arxiv url: http://arxiv.org/abs/2111.06029v1
• Date: Thu, 11 Nov 2021 02:46:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 23:56:04.190407
• Title: Causal KL: Evaluating Causal Discovery
• Title（参考訳）: Causal KL: Causal Discoveryの評価
• Authors: Rodney T. O'Donnell, Kevin B. Korb and Lloyd Allison
• Abstract要約: 人工データを用いて因果モデル発見を評価するための最も一般的な基準は、編集距離とクルバック・リーブラー分岐である。 どちらも、偽モデルの相対的なメリットを判断する上で、十分に差別化されていないと論じる。 本稿では、観測等価モデル間の因果関係を考慮に入れた拡張KL発散法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The two most commonly used criteria for assessing causal model discovery with artificial data are edit-distance and Kullback-Leibler divergence, measured from the true model to the learned model. Both of these metrics maximally reward the true model. However, we argue that they are both insufficiently discriminating in judging the relative merits of false models. Edit distance, for example, fails to distinguish between strong and weak probabilistic dependencies. KL divergence, on the other hand, rewards equally all statistically equivalent models, regardless of their different causal claims. We propose an augmented KL divergence, which we call Causal KL (CKL), which takes into account causal relationships which distinguish between observationally equivalent models. Results are presented for three variants of CKL, showing that Causal KL works well in practice.
• Abstract（参考訳）: 人工データを用いて因果モデル発見を評価するための最もよく用いられる2つの基準は、真のモデルから学習モデルへ測定された編集距離とクルバック・リーブラー分岐である。 これらのメトリクスはどちらも、真のモデルに最大報酬を与えます。 しかし、両者とも虚偽モデルの相対的メリットを判断するのに不十分であると主張する。 例えば、編集距離は、強みと弱みの確率依存性の区別に失敗する。 一方、klの発散は、それらの異なる因果的主張に関係なく、等しくすべての統計等価なモデルに報いる。 我々は、観測等価モデルを区別する因果関係を考慮に入れた、Causal KL (CKL) と呼ばれる拡張KL分岐を提案する。 結果は3種類のCKLに対して提示され、Causal KLが実際にうまく動作することを示す。

関連論文リスト

• Quantifying the Sensitivity of Inverse Reinforcement Learning to Misspecification [72.08225446179783]
  逆強化学習は、エージェントの行動からエージェントの好みを推測することを目的としている。 これを行うには、$pi$が$R$とどのように関係しているかの振る舞いモデルが必要です。 我々は、IRL問題が行動モデルの不特定性にどれほど敏感であるかを分析する。
  論文  参考訳（メタデータ） (2024-03-11T16:09:39Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Achieving Counterfactual Fairness with Imperfect Structural Causal Model [11.108866104714627]
  対実フェアネスのためのミニマックスゲーム理論モデルを提案する。 また,提案したミニマックスモデルの誤差境界を理論的に証明する。 複数の実世界のデータセットに関する実証実験は、正確性と公正性の両方において、私たちの優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2023-03-26T09:37:29Z)
• 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)
• Comparing Kullback-Leibler Divergence and Mean Squared Error Loss in Knowledge Distillation [9.157410884444312]
  知識蒸留(KD)は,効率的なニューラルアーキテクチャを設計するために研究されている。 KL分散損失は,タウ増加時のロジットマッチングと,タウが0。 特にKL分散損失を小さいタウで用いた場合, ラベルノイズが軽減される。
  論文  参考訳（メタデータ） (2021-05-19T04:40:53Z)
• Why do classifier accuracies show linear trends under distribution shift? [58.40438263312526]
  あるデータ分布上のモデルの精度は、別の分布上の精度のほぼ線形関数である。 2つのモデルが予測で一致する確率は、精度レベルだけで推測できるものよりも高いと仮定します。 分布シフトの大きさが大きければ, 2 つの分布のモデルを評価する場合, 線形傾向が生じなければならない。
  論文  参考訳（メタデータ） (2020-12-31T07:24:30Z)
• 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)
• A Ladder of Causal Distances [44.34185575573054]
  因果関係のラダー(ladder of causation)の各ラングに3つの距離の階層を導入する。 我々は、合成と実世界の両方のデータセット上で標準的な因果発見システムをベンチマークすることで、因果距離を使用できるようにしました。 最後に、因果発見技術の評価以上の応用について、簡単な議論をすることで、因果距離の有用性を強調した。
  論文  参考訳（メタデータ） (2020-05-05T20:39:07Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)
• Convex Fairness Constrained Model Using Causal Effect Estimators [6.414055487487486]
  説明バイアスを保ちながら差別を除去するFairCEEと呼ばれる新しいモデルを考案する。 回帰および二分分類タスクにおけるFairCEEの効率的な解法を提案する。
  論文  参考訳（メタデータ） (2020-02-16T03:40:04Z)
• The role of (non)contextuality in Bell's theorems from the perspective of an operational modeling framework [0.0]
  非コンテキスト性はQM予測の複製をブロックする操作モデルの最も一般的な性質である。 ODモデルインスタンスの有限アンサンブルの凸殻の構成は(数学的に)従来の隠れ変数のアプローチと同値であることが示されている。
  論文  参考訳（メタデータ） (2020-01-23T20:45:25Z)

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。