論文の概要: Learning Generalized Causal Structure in Time-series

• arxiv url: http://arxiv.org/abs/2112.03085v1
• Date: Mon, 6 Dec 2021 14:48:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 21:10:33.121425
• Title: Learning Generalized Causal Structure in Time-series
• Title（参考訳）: 時系列における一般化因果構造学習
• Authors: Aditi Kathpalia, Keerti P. Charantimath, Nithin Nagaraj
• Abstract要約: 我々は最近提案された「ニューロカオス」特徴学習技術(ChaosFEX特徴抽出器)に基づく機械学習パイプラインを開発する。 本研究では,最近提案された'neurochaos'特徴学習技術(ChaosFEX特徴抽出器)に基づく機械学習パイプラインを開発する。
• 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 science of causality explains/determines 'cause-effect' relationship between the entities of a system by providing mathematical tools for the purpose. In spite of all the success and widespread applications of machine-learning (ML) algorithms, these algorithms are based on statistical learning alone. Currently, they are nowhere close to 'human-like' intelligence as they fail to answer and learn based on the important "Why?" questions. Hence, researchers are attempting to integrate ML with the science of causality. Among the many causal learning issues encountered by ML, one is that these algorithms are dumb to the temporal order or structure in data. In this work we develop a machine learning pipeline based on a recently proposed 'neurochaos' feature learning technique (ChaosFEX feature extractor), that helps us to learn generalized causal-structure in given time-series data.
• Abstract（参考訳）: 因果関係の科学は、その目的のために数学的ツールを提供することによって、システムの実体間の「因果関係」を説明/決定する。 機械学習(ML)アルゴリズムの成功と幅広い応用にもかかわらず、これらのアルゴリズムは統計的学習のみに基づいている。 現在、彼らは重要な「なぜ」質問に基づいて答えたり学習したりできないため、人間のような知性に近づきません。 そのため、研究者はMLと因果関係の科学を統合しようとしている。 MLが直面する多くの因果学習問題の1つは、これらのアルゴリズムがデータの時間的順序や構造に不利であることである。 本研究では、最近提案された「ニューロカオス」特徴学習技術(ChaosFEX特徴抽出器)に基づく機械学習パイプラインを開発し、与えられた時系列データから一般化因果構造を学習するのに役立つ。

関連論文リスト

• A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
  Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
  論文  参考訳（メタデータ） (2024-09-18T14:57:13Z)
• Introducing CausalBench: A Flexible Benchmark Framework for Causal Analysis and Machine Learning [10.686245134005047]
  因果学習は従来の機械学習以上のものを目指しているが、いくつかの大きな課題が残っている。 透明で公平で使いやすい評価プラットフォームであるEm CausalBenchを紹介します。
  論文  参考訳（メタデータ） (2024-09-12T22:45:10Z)
• Coupling Machine Learning with Ontology for Robotics Applications [0.0]
  動的シナリオにおける事前知識の可用性の欠如は、間違いなくスケーラブルなマシンインテリジェンスにとって大きな障壁である。 二つの階層間の相互作用についての私の見解は、知識が知識ベース層で容易に利用できない場合、他の階層からより多くの知識を抽出できるという考えに基づいている。
  論文  参考訳（メタデータ） (2024-06-08T23:38:03Z)
• Nature-Inspired Local Propagation [68.63385571967267]
  自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。 ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。 これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
  論文  参考訳（メタデータ） (2024-02-04T21:43:37Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks [59.26515696183751]
  ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。 単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
  論文  参考訳（メタデータ） (2023-06-30T17:59:13Z)
• Open problems in causal structure learning: A case study of COVID-19 in the UK [4.159754744541361]
  因果機械学習(ML)アルゴリズムは、原因と効果の関係について何かを教えてくれるグラフィカルな構造を復元する。 本稿では、COVID-19 UKパンデミックデータに適用した因果MLの課題について検討する。
  論文  参考訳（メタデータ） (2023-05-05T22:04:00Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Continual Learning with Deep Learning Methods in an Application-Oriented Context [0.0]
  人工知能(AI)の重要な研究領域は、データから知識を自動的に導出することである。 ディープニューラルネットワーク(Deep Neural Networks, DNN)と呼ばれる、"ディープラーニング"モデルに分類される機械学習アルゴリズムの一種。 DNNは、新しい知識が既存のベースに追加されるのを防ぐ問題の影響を受けます。
  論文  参考訳（メタデータ） (2022-07-12T10:13:33Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• Causal Learner: A Toolbox for Causal Structure and Markov Blanket Learning [16.41685271795219]
  Causal Learnerは、データから因果構造とマルコフ毛布(MB)を学ぶためのツールボックスです。 シミュレーションされたネットワークデータを生成する機能、最先端のグローバル因果構造学習アルゴリズムのセット、最先端のローカル因果構造学習アルゴリズムのセット、アルゴリズムを評価する機能を統合する。
  論文  参考訳（メタデータ） (2021-03-11T09:10:55Z)

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。