論文の概要: Encoding Causal Macrovariables
- arxiv url: http://arxiv.org/abs/2111.14724v1
- Date: Mon, 29 Nov 2021 17:25:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 15:41:09.340511
- Title: Encoding Causal Macrovariables
- Title(参考訳): Causal Macrovariables の符号化
- Authors: Benedikt H\"oltgen
- Abstract要約: 多くの科学分野において、よりきめ細かい系の力学を説明・予測するために粗粒因果モデルが用いられる。
この研究は、マイクロステート間の情報ボトルネックとして因果マクロ変数の新たな特徴化にインスパイアされた、新しいアルゴリズム的アプローチを導入する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In many scientific disciplines, coarse-grained causal models are used to
explain and predict the dynamics of more fine-grained systems. Naturally, such
models require appropriate macrovariables. Automated procedures to detect
suitable variables would be useful to leverage increasingly available
high-dimensional observational datasets. This work introduces a novel
algorithmic approach that is inspired by a new characterisation of causal
macrovariables as information bottlenecks between microstates. Its general form
can be adapted to address individual needs of different scientific goals. After
a further transformation step, the causal relationships between learned
variables can be investigated through additive noise models. Experiments on
both simulated data and on a real climate dataset are reported. In a synthetic
dataset, the algorithm robustly detects the ground-truth variables and
correctly infers the causal relationships between them. In a real climate
dataset, the algorithm robustly detects two variables that correspond to the
two known variations of the El Nino phenomenon.
- Abstract(参考訳): 多くの科学分野において、よりきめ細かいシステムの力学を説明し予測するために粗粒因果モデルが用いられる。
当然、そのようなモデルは適切なマクロ変数を必要とする。
適切な変数を検出する自動手順は、利用可能な高次元の観測データセットを活用するのに有用である。
本研究は,マイクロステート間の情報ボトルネックとして,因果的マクロ変数の新たな特徴付けに着想を得た,新しいアルゴリズム的アプローチを提案する。
その一般的な形態は、異なる科学的目標の個々のニーズに適応することができる。
さらなる変換ステップの後、学習変数間の因果関係は付加雑音モデルを用いて調べることができる。
シミュレーションデータと実際の気候データセットの両方の実験を報告する。
合成データセットにおいて、アルゴリズムは基底変数をロバストに検出し、それらの間の因果関係を正しく推測する。
実際の気候データセットでは、アルゴリズムはエルニーニョ現象の既知の2つの変種に対応する2つの変数を頑健に検出する。
関連論文リスト
- Data-driven path collective variables [0.0]
本稿では,集合変数の生成,最適化,比較のための新しい手法を提案する。
結果として得られる集合変数は1次元、解釈可能、微分可能である。
2つの異なるアプリケーションに対して,本手法の有効性を示す。
論文 参考訳(メタデータ) (2023-12-21T14:07:47Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Bayesian Learning of Coupled Biogeochemical-Physical Models [28.269731698116257]
海洋生態系の予測モデルは、様々なニーズに使われている。
希少な測定と海洋プロセスの理解が限られているため、かなりの不確実性がある。
候補モデルの空間での処理と新しいモデルの発見を可能にするベイズモデル学習手法を開発した。
論文 参考訳(メタデータ) (2022-11-12T17:49:18Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳(メタデータ) (2022-05-25T17:37:08Z) - On generating parametrised structural data using conditional generative
adversarial networks [0.0]
我々は,GANアルゴリズムの変形を利用して人工データを生成する。
cGANは、ある範囲内の温度のいくつかの離散値のデータに基づいて訓練される。
この範囲のすべての温度について、十分な精度でデータを生成することができる。
論文 参考訳(メタデータ) (2022-03-03T11:02:05Z) - X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。
両世界の力を生かすために,我々は新しいX-モデルを提案する。
X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
論文 参考訳(メタデータ) (2021-10-09T13:56:48Z) - An Embedded Model Estimator for Non-Stationary Random Functions using
Multiple Secondary Variables [0.0]
本稿では,本手法を導入し,地理的モデリングや量子ランダムフォレストに適用した結果と自然に類似した一貫性を有することを示す。
このアルゴリズムは、各ターゲット位置におけるターゲット変数の条件分布を推定することで機能する。
論文 参考訳(メタデータ) (2020-11-09T00:14:24Z) - Generalized Matrix Factorization: efficient algorithms for fitting
generalized linear latent variable models to large data arrays [62.997667081978825]
一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。
GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。
本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
論文 参考訳(メタデータ) (2020-10-06T04:28:19Z) - DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。
本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。
実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
論文 参考訳(メタデータ) (2020-10-02T13:59:05Z) - Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。
可変スキップは、10-100$timesの効率向上をもたらすことを示す。
論文 参考訳(メタデータ) (2020-07-10T19:01:40Z) - Meta Learning for Causal Direction [29.00522306460408]
小型データ設定における原因と効果の区別を可能にする新しい生成モデルを提案する。
提案手法は, 各種合成データと実世界のデータを用いて実証し, 種々のデータセットサイズにおける方向検出の精度を高い精度で維持可能であることを示す。
論文 参考訳(メタデータ) (2020-07-06T15:12:05Z)
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。