論文の概要: Evaluation Methods and Measures for Causal Learning Algorithms
- arxiv url: http://arxiv.org/abs/2202.02896v1
- Date: Mon, 7 Feb 2022 00:24:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-09 06:07:54.202575
- Title: Evaluation Methods and Measures for Causal Learning Algorithms
- Title（参考訳）: 因果学習アルゴリズムの評価方法と対策
- Authors: Lu Cheng, Ruocheng Guo, Raha Moraffah, Paras Sheth, K. Selcuk Candan,
Huan Liu
- Abstract要約: 我々は2つの基本的な因果推論タスクと因果認識機械学習タスクに焦点を当てる。
この調査は、公開可能なベンチマークの開発と、観察データによる因果学習評価のためのコンセンサス標準の策定の緊急性に先んじることを目指している。
- 参考スコア（独自算出の注目度）: 33.07234268724662
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The convenient access to copious multi-faceted data has encouraged machine
learning researchers to reconsider correlation-based learning and embrace the
opportunity of causality-based learning, i.e., causal machine learning (causal
learning). Recent years have therefore witnessed great effort in developing
causal learning algorithms aiming to help AI achieve human-level intelligence.
Due to the lack-of ground-truth data, one of the biggest challenges in current
causal learning research is algorithm evaluations. This largely impedes the
cross-pollination of AI and causal inference, and hinders the two fields to
benefit from the advances of the other. To bridge from conventional causal
inference (i.e., based on statistical methods) to causal learning with big data
(i.e., the intersection of causal inference and machine learning), in this
survey, we review commonly-used datasets, evaluation methods, and measures for
causal learning using an evaluation pipeline similar to conventional machine
learning. We focus on the two fundamental causal-inference tasks and
causality-aware machine learning tasks. Limitations of current evaluation
procedures are also discussed. We then examine popular causal inference
tools/packages and conclude with primary challenges and opportunities for
benchmarking causal learning algorithms in the era of big data. The survey
seeks to bring to the forefront the urgency of developing publicly available
benchmarks and consensus-building standards for causal learning evaluation with
observational data. In doing so, we hope to broaden the discussions and
facilitate collaboration to advance the innovation and application of causal
learning.
- Abstract（参考訳）: 複雑な多面データへの便利なアクセスにより、機械学習研究者は相関ベースの学習を再考し、因果性に基づく学習、すなわち因果性機械学習(causal learning)の機会を受け入れることができる。
近年、AIが人間レベルの知性を達成するための因果学習アルゴリズムの開発に多大な努力が注がれている。
基礎データがないため、現在の因果学習研究における最大の課題の1つはアルゴリズム評価である。
これはAIと因果推論の交叉を阻害し、もう一方の進歩の恩恵を受けるために2つの分野を妨げる。
本調査では,従来の因果推論(統計的手法に基づく)からビッグデータによる因果学習(因果推論と機械学習の交わり)へ橋渡しするため,従来の機械学習と類似した評価パイプラインを用いた因果学習のための一般的なデータセット,評価方法,尺度をレビューする。
我々は2つの基本的な因果推論タスクと因果認識機械学習タスクに焦点を当てる。
現在の評価手順の限界についても論じる。
次に、一般的な因果推論ツール/パッケージを調べ、ビッグデータ時代の因果学習アルゴリズムをベンチマークする主な課題と機会を結論づける。
この調査は、観察データを用いた因果学習評価のための公開ベンチマークやコンセンサス構築標準の開発を急務とするものである。
そうすることで、議論を広げ、因果学習の革新と応用を進めるためのコラボレーションを促進したいと思っています。
関連論文リスト
- Introducing CausalBench: A Flexible Benchmark Framework for Causal Analysis and Machine Learning [10.686245134005047]
因果学習は従来の機械学習以上のものを目指しているが、いくつかの大きな課題が残っている。
透明で公平で使いやすい評価プラットフォームであるEm CausalBenchを紹介します。
論文 参考訳（メタデータ） (2024-09-12T22:45:10Z) - 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) - A Survey on Causal Discovery Methods for I.I.D. and Time Series Data [4.57769506869942]
因果発見(CD)アルゴリズムは、関連する観測データからシステムの変数間の因果関係を識別することができる。
本稿では、独立および同一分散データ(I.I.D.)データと時系列データの両方から因果発見を行うために設計された手法について広範な議論を行う。
論文 参考訳（メタデータ） (2023-03-27T09:21:41Z) - A Human-Centered Review of Algorithms in Decision-Making in Higher
Education [16.578096382702597]
我々は、高等教育における意思決定のためのアルゴリズムを提案する幅広い論文のコーパスをレビューした。
その結果,モデルが深層学習に傾きつつあり,学生の個人データや保護属性の利用が増加していることがわかった。
解釈可能性と説明可能性の低下にもかかわらず、現在の開発は主に人間中心のレンズを組み込むことができない。
論文 参考訳（メタデータ） (2023-02-12T02:30:50Z) - Statistical Foundation Behind Machine Learning and Its Impact on
Computer Vision [8.974457198386414]
本稿では、統計的学習における一様収束の原理を再考し、機械学習の基礎としてどのように機能するかを論じ、現在のディープラーニングアルゴリズムが解決している本質的な問題をよりよく理解しようと試みる。
コンピュータビジョンを機械学習の例として用いた議論は、近年の大規模データを活用して、表現学習に事前学習を行うことによる研究の傾向が、現実的に抽出可能な経験的損失と最終的に望まれるが、予測される損失との差を減らしていることを示している。
論文 参考訳（メタデータ） (2022-09-06T17:59:04Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z) - What Makes Good Contrastive Learning on Small-Scale Wearable-based
Tasks? [59.51457877578138]
本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。
本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
論文 参考訳（メタデータ） (2022-02-12T06:10:15Z) - Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。
不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。
また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文 参考訳（メタデータ） (2021-04-14T14:20:22Z) - Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory
to Learning Algorithms [91.3755431537592]
プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。
この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
論文 参考訳（メタデータ） (2021-01-26T17:11:40Z) - A Survey on Extraction of Causal Relations from Natural Language Text [9.317718453037667]
因果関係はテキストに頻繁に現れ、テキストから因果関係を計算することで、予測タスクのための因果関係を構築するのに役立つ。
既存の因果抽出技術には、知識ベース、統計機械学習(ML)ベース、深層学習ベースアプローチなどがある。
論文 参考訳（メタデータ） (2021-01-16T10:49:39Z) - A Survey on Causal Inference [64.45536158710014]
因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。
観測データに対する様々な因果効果推定法が誕生した。
論文 参考訳（メタデータ） (2020-02-05T21:35:29Z)
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。