論文の概要: Cause-Effect Preservation and Classification using Neurochaos Learning

• arxiv url: http://arxiv.org/abs/2201.12181v1
• Date: Fri, 28 Jan 2022 15:26:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 15:36:59.440553
• Title: Cause-Effect Preservation and Classification using Neurochaos Learning
• Title（参考訳）: ニューロカオス学習を用いた因果効果保存と分類
• Authors: Harikrishnan N B, Aditi Kathpalia, Nithin Nagaraj
• Abstract要約: 最近提案された脳内学習アルゴリズムであるemphNeurochaos Learning (NL) は、シミュレーションデータから原因影響の分類に用いられている。 使用されるデータインスタンスは、結合ARプロセス、結合1Dカオススキューテントマップ、結合1Dカオスロジスティックマップ、および現実世界の捕食者システムから生成される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering cause-effect from observational data is an important but challenging problem in science and engineering. In this work, a recently proposed brain inspired learning algorithm namely-\emph{Neurochaos Learning} (NL) is used for the classification of cause-effect from simulated data. The data instances used are generated from coupled AR processes, coupled 1D chaotic skew tent maps, coupled 1D chaotic logistic maps and a real-world prey-predator system. The proposed method consistently outperforms a five layer Deep Neural Network architecture for coupling coefficient values ranging from $0.1$ to $0.7$. Further, we investigate the preservation of causality in the feature extracted space of NL using Granger Causality (GC) for coupled AR processes and and Compression-Complexity Causality (CCC) for coupled chaotic systems and real-world prey-predator dataset. This ability of NL to preserve causality under a chaotic transformation and successfully classify cause and effect time series (including a transfer learning scenario) is highly desirable in causal machine learning applications.
• Abstract（参考訳）: 観測データからの因果効果の発見は、科学と工学において重要だが困難な問題である。 本研究では、シミュレーションデータから原因影響を分類するために、最近提案された脳誘発学習アルゴリズムである-\emph{Neurochaos Learning} (NL) を用いる。 使用されるデータインスタンスは、結合ARプロセス、結合1Dカオススキューテントマップ、結合1Dカオスロジスティックマップ、および現実世界の捕食者システムから生成される。 提案手法は、0.1$から0.7$までの結合係数値に対して、5層ディープニューラルネットワークアーキテクチャを一貫して上回る。 さらに,複合ARプロセスのためのGranger Causality(GC)と,複合カオスシステムと実世界の捕食者データセットのためのCompression-Complexity Causality(CCC)を用いて,NLの特徴抽出空間における因果関係の保存について検討した。 NLがカオス変換の下で因果関係を保ち、因果関係の分類と効果時系列(転帰学習シナリオを含む)をうまく行う能力は、因果的機械学習応用において非常に望ましい。

関連論文リスト

• CUTS+: High-dimensional Causal Discovery from Irregular Time-series [13.84185941100574]
  本稿では,Granger-Causality-based causal discovery method CUTSを用いたCUTS+を提案する。 CUTS+は多種多様な不規則サンプリングによる高次元データにおける因果発見性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-05-10T04:20:36Z)
• CUTS: Neural Causal Discovery from Irregular Time-Series Data [27.06531262632836]
  時系列データからの因果発見は、機械学習における中心的なタスクである。 本稿では,ニューラルグランガー因果探索アルゴリズムであるCUTSについて述べる。 提案手法は,非理想的な観測を行う実アプリケーションに因果発見を適用するための有望なステップとなる。
  論文  参考訳（メタデータ） (2023-02-15T04:16:34Z)
• Learning Latent Structural Causal Models [31.686049664958457]
  機械学習タスクでは、画像ピクセルや高次元ベクトルのような低レベルのデータを扱うことが多い。 本稿では,潜在構造因果モデルの因果変数,構造,パラメータについて共同推論を行う,抽出可能な近似推定手法を提案する。
  論文  参考訳（メタデータ） (2022-10-24T20:09:44Z)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• 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)
• Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
  本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。 破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T14:19:07Z)
• Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
  関係データに対するKENNの拡張を提案する。 その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
  論文  参考訳（メタデータ） (2020-09-13T21:12:20Z)

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。