論文の概要: Causal Knowledge Guided Societal Event Forecasting

• arxiv url: http://arxiv.org/abs/2112.05695v1
• Date: Fri, 10 Dec 2021 17:41:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-13 14:10:59.267419
• Title: Causal Knowledge Guided Societal Event Forecasting
• Title（参考訳）: 因果知識による社会イベント予測
• Authors: Songgaojun Deng, Huzefa Rangwala, Yue Ning
• Abstract要約: 本稿では,因果効果推定をイベント予測に組み込むディープラーニングフレームワークを提案する。 機能再重み付けモジュールと近似損失を含む2つの頑健な学習モジュールを導入し、事前の知識注入を可能にする。
• 参考スコア（独自算出の注目度）: 24.437437565689393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven societal event forecasting methods exploit relevant historical information to predict future events. These methods rely on historical labeled data and cannot accurately predict events when data are limited or of poor quality. Studying causal effects between events goes beyond correlation analysis and can contribute to a more robust prediction of events. However, incorporating causality analysis in data-driven event forecasting is challenging due to several factors: (i) Events occur in a complex and dynamic social environment. Many unobserved variables, i.e., hidden confounders, affect both potential causes and outcomes. (ii) Given spatiotemporal non-independent and identically distributed (non-IID) data, modeling hidden confounders for accurate causal effect estimation is not trivial. In this work, we introduce a deep learning framework that integrates causal effect estimation into event forecasting. We first study the problem of Individual Treatment Effect (ITE) estimation from observational event data with spatiotemporal attributes and present a novel causal inference model to estimate ITEs. We then incorporate the learned event-related causal information into event prediction as prior knowledge. Two robust learning modules, including a feature reweighting module and an approximate constraint loss, are introduced to enable prior knowledge injection. We evaluate the proposed causal inference model on real-world event datasets and validate the effectiveness of proposed robust learning modules in event prediction by feeding learned causal information into different deep learning methods. Experimental results demonstrate the strengths of the proposed causal inference model for ITE estimation in societal events and showcase the beneficial properties of robust learning modules in societal event forecasting.
• Abstract（参考訳）: データ駆動社会イベント予測手法は、関連する歴史的情報を利用して将来のイベントを予測する。 これらの手法は過去のラベル付きデータに依存しており、データが制限された場合や品質の悪い場合を正確に予測することはできない。 イベント間の因果効果を研究することは相関分析を超えて、イベントのより堅牢な予測に寄与する。 しかし、データ駆動イベント予測に因果分析を組み込むことは、いくつかの要因により困難である。 (i)複雑な動的社会環境においてイベントが発生する。 多くの未観測変数、すなわち隠れた共同創設者は潜在的な原因と結果の両方に影響を及ぼす。 (ii)非独立かつ同一分布(非iid)データがあるとき、正確な因果効果推定のための隠れた共同創設者のモデル化は自明ではない。 本研究では,イベント予測に因果効果推定を統合するディープラーニングフレームワークを提案する。 まず,時空間的属性を持つ観測事象データから個々の治療効果(ite)推定の問題を調べ,それを評価するための新しい因果推論モデルを提案する。 次に、学習したイベント関連因果情報を、先行知識としてイベント予測に組み込む。 機能拡張モジュールと近似制約損失を含む2つの堅牢な学習モジュールを導入し,事前知識注入を実現する。 実世界のイベントデータセットにおける因果推論モデルの評価を行い、学習した因果情報を異なる深層学習手法に入力することにより、イベント予測における頑健な学習モジュールの有効性を検証する。 実験の結果,社会イベントにおける ite 推定のための因果推論モデルの強みを示し,社会イベント予測におけるロバスト学習モジュールの有用性を示す。

関連論文リスト

• MAVEN-Fact: A Large-scale Event Factuality Detection Dataset [55.01875707021496]
  我々は,MAVENデータセットに基づく大規模かつ高品質なEFDデータセットであるMAVEN-Factを紹介する。 MAVEN-Factには112,276のイベントのファクトリティアノテーションが含まれており、EFDデータセットとしては最大である。 MAVEN-Factは従来の微調整モデルと大規模言語モデル(LLM)の両方において困難であることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-07-22T03:43:46Z)
• Statistical and Machine Learning Models for Predicting Fire and Other Emergency Events [1.216599520489317]
  カナダ・エドモントン市における各種緊急イベントの予測モデルの体系的開発について述べる。 本研究では,地域レベルでのイベントタイプと社会経済・人口統計との関連性について分析する。 新型コロナウイルスのパンデミックがイベントの発生およびイベント予測モデルの精度に与える影響について検討した。
  論文  参考訳（メタデータ） (2024-02-14T20:10:30Z)
• An End-to-End Time Series Model for Simultaneous Imputation and Forecast [14.756607742477252]
  我々は,推論関係を学習し,複数段階の予測を行うために,エンドツーエンドの時系列モデルを開発する。 我々のフレームワークは2つのニューラルネットワークを共同でトレーニングし、1つは特徴量相関を学習し、もう1つは時間的行動のモデリングを学習する。
  論文  参考訳（メタデータ） (2023-06-01T15:08:22Z)
• Understanding the Impact of Competing Events on Heterogeneous Treatment Effect Estimation from Time-to-Event Data [92.51773744318119]
  本研究では,競合イベントの存在下での時間-時間データからヘテロジニアス処理効果(HTE)を推定する問題について検討する。 提案手法は,HTEを推定するための結果モデリング手法であり,既存の時間-時間データの予測モデルを,将来的な結果のプラグイン推定手段としてどのように利用できるかを検討する。 HTEの推定に汎用的な機械学習予測モデルを使用する場合、これらの課題がいつどのように機能するかを理論的に分析し、実証的に説明する。
  論文  参考訳（メタデータ） (2023-02-23T14:28:55Z)
• Evaluation of Induced Expert Knowledge in Causal Structure Learning by NOTEARS [1.5469452301122175]
  非パラメトリックNOTEARSモデルの定式化に使用される追加制約の形で、専門家の知識が因果関係に与える影響について検討する。 その結果, (i) NOTEARSモデルの誤りを正す知識は, 統計的に有意な改善をもたらすこと, (ii) アクティブエッジに対する制約は, 非アクティブエッジよりも因果発見に肯定的な影響を与えること, (iii) 意外なことに, (iii) 誘導された知識は, 平均的な不正確なアクティブエッジおよび/または非アクティブエッジに対して予想以上に正確でないことが判明した。
  論文  参考訳（メタデータ） (2023-01-04T20:39:39Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Measuring Causal Effects of Data Statistics on Language Model's `Factual' Predictions [59.284907093349425]
  大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。 トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。 我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
  論文  参考訳（メタデータ） (2022-07-28T17:36:24Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)

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。