論文の概要: Neural Information Squeezer for Causal Emergence

• arxiv url: http://arxiv.org/abs/2201.10154v1
• Date: Tue, 25 Jan 2022 07:55:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-27 03:44:42.061925
• Title: Neural Information Squeezer for Causal Emergence
• Title（参考訳）: 因果創発のためのニューラルインフォメーションスクイーザ
• Authors: Jiang Zhang
• Abstract要約: 本稿では,効果的な粗粒化戦略とマクロ状態のダイナミクスを自動的に抽出する,Neural Information Squeezerと呼ばれる汎用機械学習フレームワークを提案する。 我々のフレームワークは、異なるレベルのダイナミクスを抽出し、いくつかの例のシステムでデータから因果関係の出現を識別する方法を示す。
• 参考スコア（独自算出の注目度）: 2.2788045178734726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The classic studies of causal emergence have revealed that in some Markovian dynamical systems, far stronger causal connections can be found on the higher-level descriptions than the lower-level of the same systems if we coarse-grain the system states in an appropriate way. However, identifying this emergent causality from the data is still a hard problem that has not been solved because the correct coarse-graining strategy can not be found easily. This paper proposes a general machine learning framework called Neural Information Squeezer to automatically extract the effective coarse-graining strategy and the macro-state dynamics, as well as identify causal emergence directly from the time series data. By decomposing a coarse-graining operation into two processes: information conversion and information dropping out, we can not only exactly control the width of the information channel, but also can derive some important properties analytically including the exact expression of the effective information of a macro-dynamics. We also show how our framework can extract the dynamics on different levels and identify causal emergence from the data on several exampled systems.
• Abstract（参考訳）: 因果発生に関する古典的な研究により、マルコフ力学系では、システムの状態を適切な方法で粗粒化すれば、同じシステムの下位レベルよりも高いレベルの記述でより強い因果関係が見つかることが判明した。 しかし,この創発的因果関係をデータから同定することは依然として難しい課題であり,正確な粗粒化戦略が容易には見出せないため解決されていない。 本稿では,実効的な粗粒化戦略とマクロ状態のダイナミクスを自動抽出し,時系列データから直接因果出を識別する,Neural Information Squeezerと呼ばれる一般的な機械学習フレームワークを提案する。 情報変換と情報ドロップアウトという2つのプロセスに粗粒処理を分解することで、情報チャネルの幅を正確に制御できるだけでなく、マクロ力学の有効情報の正確な表現を含むいくつかの重要な特性を解析的に導出することができる。 また、我々のフレームワークが様々なレベルのダイナミクスを抽出し、いくつかの例のシステムでデータから因果関係の出現を特定する方法を示す。

関連論文リスト

• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• How more data can hurt: Instability and regularization in next-generation reservoir computing [0.0]
  我々は、この現象のより極端なバージョンが、力学系のデータ駆動モデルに現れることを示した。 トレーニングデータの多いフローマップの表現がより良くなったにもかかわらず、NGRCは不条件の積分器を採用でき、安定性を損なうことが判明した。
  論文  参考訳（メタデータ） (2024-07-11T16:22:13Z)
• 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)
• VAC2: Visual Analysis of Combined Causality in Event Sequences [6.145427901944597]
  我々は,複合原因と個別原因の探索を支援するために,複合因果解析システムを開発した。 この対話システムは多段階因果探索をサポートし,多様な順序付け戦略と焦点とコンテキスト技術を備える。 本システムの有用性と有効性は,パイロットユーザによる研究と,イベントシーケンスデータに関する2つのケーススタディによってさらに評価される。
  論文  参考訳（メタデータ） (2022-06-11T04:53:23Z)
• Causal Discovery from Sparse Time-Series Data Using Echo State Network [0.0]
  時系列データ間の因果関係の発見は、症状の原因の診断に役立つ。 本稿では,2つの部分から構成される新しいシステムを提案する。第1部はガウスプロセス回帰を,第2部はエコー状態ネットワークを活用する。 本稿では,対応するマシューズ相関係数 (MCC) と受信器動作特性曲線 (ROC) について報告する。
  論文  参考訳（メタデータ） (2022-01-09T05:55:47Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)
• Differentiable Causal Discovery from Interventional Data [141.41931444927184]
  本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T15:19:17Z)
• Identifying Causal Structure in Dynamical Systems [6.451261098085498]
  制御系の因果構造を同定する手法を提案する。 ロボットアームの実験では、実世界のデータから信頼性の高い因果同定が示されている。
  論文  参考訳（メタデータ） (2020-06-06T16:17:07Z)
• Causal Discovery from Incomplete Data: A Deep Learning Approach [21.289342482087267]
  因果構造探索と因果構造探索を反復的に行うために, 因果学習を提案する。 ICLは、異なるデータメカニズムで最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-15T14:28:21Z)

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。

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。