Fugu-MT 論文翻訳(概要): Learning soft interventions in complex equilibrium systems

論文の概要: Learning soft interventions in complex equilibrium systems

arxiv url: http://arxiv.org/abs/2112.05729v1
Date: Fri, 10 Dec 2021 18:33:12 GMT
ステータス: 処理完了
システム内更新日: 2021-12-13 15:30:42.482743
Title: Learning soft interventions in complex equilibrium systems
Title（参考訳）: 複雑平衡系におけるソフト介入の学習
Authors: Michel Besserve and Bernhard Sch\"olkopf
Abstract要約: 我々はリー群に基づく微分可能な介入のための枠組みを確立する。循環因果モデルにおける介入を最適化するために、現代の自動微分手法と暗黙の関数への応用を利用する。
参考スコア（独自算出の注目度）: 2.2463154358632473
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Complex systems often contain feedback loops that can be described as cyclic causal models. Intervening in such systems may lead to counter-intuitive effects, which cannot be inferred directly from the graph structure. After establishing a framework for differentiable interventions based on Lie groups, we take advantage of modern automatic differentiation techniques and their application to implicit functions in order to optimize interventions in cyclic causal models. We illustrate the use of this framework by investigating scenarios of transition to sustainable economies.
Abstract（参考訳）: 複雑系はしばしば循環因果モデルとして記述できるフィードバックループを含む。このようなシステムへの介入は、グラフ構造から直接推測できない反直感効果をもたらす可能性がある。リー群に基づく微分可能介入の枠組みを確立後、近代的自動微分技術とその暗黙的機能への応用を利用して、循環因果モデルにおける介入の最適化を行う。我々は、持続可能経済への移行シナリオを調査することにより、この枠組みの使用を説明する。

関連論文リスト

Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
論文参考訳（メタデータ） (2024-11-21T10:37:57Z)
A Generalized Framework for Multiscale State-Space Modeling with Nested Nonlinear Dynamics: An Application to Bayesian Learning under Switching Regimes [0.0]
ネストされた非線形力学を組み込んだマルチスケール状態空間モデリングのための一般化されたフレームワークを提案する。私たちのフレームワークは、システム内の高速プロセスと低速プロセスの間の複雑な相互作用をキャプチャします。我々は,スイッチングダイナミクスに対応する潜在状態と指標を推定するベイズ学習手法を開発した。
論文参考訳（メタデータ） (2024-10-24T18:31:20Z)
Systems with Switching Causal Relations: A Meta-Causal Perspective [18.752058058199847]
エージェントの行動の柔軟性や、環境プロセスにおける転換点の柔軟性は、システムの質的なダイナミクスを変える可能性がある。新しい因果関係が出現し、既存の因果関係が変化または消失し、結果として因果グラフが変化する。本稿では,古典的因果モデルを等価な定性行動に基づいてクラスタに分類するメタ因果状態の概念を提案する。
論文参考訳（メタデータ） (2024-10-16T21:32:31Z)
A Practical Approach to Causal Inference over Time [17.660953125689105]
我々は因果介入とその時間的影響を離散時間プロセス(DSP)に定義する。因果介入前後のDSPの平衡状態が構造因果モデル(SCM)によって把握できる条件を示す。得られた因果VARフレームワークにより、観測時系列データから経時的に因果推論を行うことができる。
論文参考訳（メタデータ） (2024-10-14T13:45:20Z)
Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
論文参考訳（メタデータ） (2024-01-10T02:38:21Z)
Inferring dynamic regulatory interaction graphs from time series data with perturbations [14.935318448625718]
本稿では,複雑なシステムにおける時間変化の相互作用グラフを推定するためのRegulatory Temporal Interaction Network Inference (RiTINI)を提案する。 RiTINIは空間・時間グラフアテンションとグラフニューラル常微分方程式(ODE)を組み合わせた新しい組み合わせを用いる我々は,様々なシミュレーションおよび実世界のデータセット上でのRiTINIの性能を評価する。
論文参考訳（メタデータ） (2023-06-13T14:25:26Z)
NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
論文参考訳（メタデータ） (2023-01-04T23:28:18Z)
Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
論文参考訳（メタデータ） (2022-02-15T19:00:09Z)
Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文参考訳（メタデータ） (2021-11-29T18:59:09Z)
Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文参考訳（メタデータ） (2021-07-21T14:22:14Z)
Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。