Fugu-MT 論文翻訳(概要): Causal Modeling With Infinitely Many Variables

論文の概要: Causal Modeling With Infinitely Many Variables

arxiv url: http://arxiv.org/abs/2112.09171v1
Date: Thu, 16 Dec 2021 19:41:42 GMT
ステータス: 処理完了
システム内更新日: 2021-12-20 15:54:00.797054
Title: Causal Modeling With Infinitely Many Variables
Title（参考訳）: 無限変数を用いた因果モデリング
Authors: Spencer Peters and Joseph Y. Halpern
Abstract要約: 構造方程式モデル(SEM)は、おそらく因果関係をモデル化するための最も一般的なフレームワークである。本稿では,SEMのフレキシブルな一般化であるGSEMを紹介し,介入結果を直接指定する。
参考スコア（独自算出の注目度）: 14.505867475659274
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Structural-equations models (SEMs) are perhaps the most commonly used framework for modeling causality. However, as we show, naively extending this framework to infinitely many variables, which is necessary, for example, to model dynamical systems, runs into several problems. We introduce GSEMs (generalized SEMs), a flexible generalization of SEMs that directly specify the results of interventions, in which (1) systems of differential equations can be represented in a natural and intuitive manner, (2) certain natural situations, which cannot be represented by SEMs at all, can be represented easily, (3) the definition of actual causality in SEMs carries over essentially without change.
Abstract（参考訳）: 構造方程式モデル(SEM)は、おそらく因果関係をモデル化するための最も一般的なフレームワークである。しかし、我々が示すように、このフレームワークを無限に多くの変数に拡張することは、例えば力学系をモデル化するのに必要であり、いくつかの問題にぶつかる。 GSEM (Generalized SEMs) は,(1) 微分方程式の系を自然的かつ直感的に表現できる,(2) 全くSEMで表現できないある自然状況を簡単に表現できる,(3) SEM における実際の因果関係の定義は,基本的に変化を伴わない,という,SEM のフレキシブルな一般化である。

関連論文リスト

MARS: Benchmarking the Metaphysical Reasoning Abilities of Language Models with a Multi-task Evaluation Dataset [50.36095192314595]
大きな言語モデル(LLM)は、一般化可能な推論能力を持つ意識的なエージェントとして機能する。この能力は、イベントにおける無限の可能な変更をモデル化する複雑さのために、まだ探索されていない。我々は,各ステップに対応する3つのタスクからなる最初のベンチマークMARSを紹介する。
論文参考訳（メタデータ） (2024-06-04T08:35:04Z)
Shape Arithmetic Expressions: Advancing Scientific Discovery Beyond Closed-Form Equations [56.78271181959529]
GAM(Generalized Additive Models)は、変数とターゲットの間の非線形関係をキャプチャできるが、複雑な特徴相互作用をキャプチャすることはできない。本稿では,GAMのフレキシブルな形状関数と,数学的表現に見られる複雑な特徴相互作用を融合させる形状表現算術(SHARE)を提案する。また、標準制約を超えた表現の透明性を保証するSHAREを構築するための一連のルールを設計する。
論文参考訳（メタデータ） (2024-04-15T13:44:01Z)
Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
論文参考訳（メタデータ） (2024-02-05T03:25:04Z)
Can Large Language Models Learn Independent Causal Mechanisms? [9.274428418715347]
大きな言語モデル(LLM)は、一般的でない設定や分散シフトで同じタスクで不足する。本研究では,抽象変数と因果関係を学習する因果モデルにより,分布の変化に対するロバスト性の向上が示された。
論文参考訳（メタデータ） (2024-02-04T23:04:02Z)
SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文参考訳（メタデータ） (2023-08-25T07:15:58Z)
FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文参考訳（メタデータ） (2023-04-28T21:48:31Z)
Hidden Parameter Recurrent State Space Models For Changing Dynamics Scenarios [18.08665164701404]
リカレントステートスペースモデルは、動的が固定され、変化しないと仮定するが、これは現実のシナリオではめったにない。隠れ再帰状態空間モデル(Hidden Recurrent State Space Models, HiP-RSSMs)は, 低次元の潜伏因子の集合で関連する力学系のファミリーをパラメータ化するフレームワークである。 HiP-RSSMsは、実世界のシステムとシミュレーションの両方において、いくつかの挑戦的なロボットベンチマークにおいて、RSSMsや競合するマルチタスクモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2022-06-29T14:54:49Z)
Indeterminacy in Latent Variable Models: Characterization and Strong Identifiability [3.959606869996233]
潜在変数モデルの不確定性を解析するための理論的枠組みを構築する。次に、強く識別可能な潜在変数モデルを特定する方法について検討する。
論文参考訳（メタデータ） (2022-06-02T00:01:27Z)
Compositional Abstraction Error and a Category of Causal Models [2.291640606078406]
我々は、合成性はモデル変換と関連するエラーのデシデラタムであると主張する。モデル変換と抽象化のためのフレームワークを,構成的なエラーの概念で開発する。
論文参考訳（メタデータ） (2021-03-29T16:48:12Z)
ICE-BeeM: Identifiable Conditional Energy-Based Deep Models Based on Nonlinear ICA [11.919315372249802]
確率モデルの同定可能性理論を考察する。我々は,独立に修飾されたコンポーネント分析の枠組みにおけるコンポーネントの推定に,我々のモデルを利用できることを示す。
論文参考訳（メタデータ） (2020-02-26T14:43:30Z)
A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。