論文の概要: Relational Causal Models with Cycles:Representation and Reasoning
- arxiv url: http://arxiv.org/abs/2202.10706v1
- Date: Tue, 22 Feb 2022 07:37:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 01:37:39.173537
- Title: Relational Causal Models with Cycles:Representation and Reasoning
- Title(参考訳): サイクルを伴う関係因果モデル:表現と推論
- Authors: Ragib Ahsan, David Arbour, Elena Zheleva
- Abstract要約: フィードバックループによるリレーショナルシステムを理解するための新しい基準であるリレーショナル$sigma$-セパレーションを導入する。
我々は$sigma$-AGGの完全性に必要な条件を示し、リレーショナル$sigma$-セパレーションは任意の長さの1つ以上のサイクルの存在下で健全かつ完備であることを示す。
- 参考スコア(独自算出の注目度): 16.10327013845982
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal reasoning in relational domains is fundamental to studying real-world
social phenomena in which individual units can influence each other's traits
and behavior. Dynamics between interconnected units can be represented as an
instantiation of a relational causal model; however, causal reasoning over such
instantiation requires additional templating assumptions that capture feedback
loops of influence. Previous research has developed lifted representations to
address the relational nature of such dynamics but has strictly required that
the representation has no cycles. To facilitate cycles in relational
representation and learning, we introduce relational $\sigma$-separation, a new
criterion for understanding relational systems with feedback loops. We also
introduce a new lifted representation, $\sigma$-abstract ground graph which
helps with abstracting statistical independence relations in all possible
instantiations of the cyclic relational model. We show the necessary and
sufficient conditions for the completeness of $\sigma$-AGG and that relational
$\sigma$-separation is sound and complete in the presence of one or more cycles
with arbitrary length. To the best of our knowledge, this is the first work on
representation of and reasoning with cyclic relational causal models.
- Abstract(参考訳): 関係領域における因果推論は、個々の単位が互いに特性や行動に影響を及ぼす現実世界の社会現象を研究するのに基礎がある。
相互接続ユニット間のダイナミクスは、関係因果モデルのインスタンス化として表現できるが、そのようなインスタンス化に対する因果推論には、影響のフィードバックループをキャプチャする追加のテンプレート仮定が必要である。
これまでの研究は、そのようなダイナミクスのリレーショナルな性質に対処するために解き放たれた表現を開発してきたが、その表現にはサイクルがないことを厳密に要求してきた。
関係表現と学習のサイクルを容易にするために、フィードバックループを用いた関係システムを理解するための新しい基準であるrelational $\sigma$-separationを導入する。
また、新しい拡張表現である$\sigma$-abstract 基底グラフを導入し、循環関係モデルの全ての可能なインスタンス化において統計的独立関係を抽象化するのに役立つ。
我々は、$\sigma$-AGGの完全性に必要な必要十分条件を示し、リレーショナル$\sigma$-分離は任意の長さの1つ以上のサイクルの存在下で健全かつ完備であることを示す。
私たちの知る限りでは、これは循環関係因果モデルによる表現と推論に関する最初の仕事です。
関連論文リスト
- 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) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [85.67870425656368]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳(メタデータ) (2023-10-24T07:46:10Z) - Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。
本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。
2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文 参考訳(メタデータ) (2023-08-24T16:06:36Z) - Learning Relational Causal Models with Cycles through Relational
Acyclification [16.10327013845982]
本稿では,関係モデルに特化して設計されたテキスト・アサイクリフィケーションを提案する。
リレーショナルアサイクリゼーションと$sigma$-faithfulnessという仮定の下で、リレーショナル因果探索アルゴリズム RCD はサイクリックモデルに対して健全かつ完全であることを示す。
論文 参考訳(メタデータ) (2022-08-25T17:00:42Z) - Sparse Relational Reasoning with Object-Centric Representations [78.83747601814669]
対象中心表現の操作において,リレーショナルニューラルアーキテクチャによって学習されたソフトルールの構成可能性について検討する。
特に特徴量の増加は,いくつかのモデルの性能を向上し,より単純な関係をもたらすことが判明した。
論文 参考訳(メタデータ) (2022-07-15T14:57:33Z) - On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。
単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
論文 参考訳(メタデータ) (2022-06-09T16:24:01Z) - Generalizable Information Theoretic Causal Representation [37.54158138447033]
本稿では,観測データから因果表現を学習するために,仮説因果グラフに基づいて相互情報量で学習手順を規則化することを提案する。
この最適化は、因果性に着想を得た学習がサンプルの複雑さを減らし、一般化能力を向上させるという理論的保証を導出する反ファクト的損失を伴う。
論文 参考訳(メタデータ) (2022-02-17T00:38:35Z) - 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) - A general framework for cyclic and fine-tuned causal models and their
compatibility with space-time [2.0305676256390934]
因果モデリングは、観測された相関の因果的説明を生成するためのツールである。
既存の量子因果関係の枠組みは、微調整されていない非巡回因果構造に焦点を当てる傾向がある。
サイクル因果モデルはフィードバックを含む物理的プロセスのモデル化に使用することができる。
サイクル因果モデルは一般相対性理論のエキゾチック解にも関係があるかもしれない。
論文 参考訳(メタデータ) (2021-09-24T18:00:08Z) - Why Adversarial Interaction Creates Non-Homogeneous Patterns: A
Pseudo-Reaction-Diffusion Model for Turing Instability [10.933825676518195]
交叉相互作用を持つニューロン系のチューリング様パターンを観察する。
本稿では,これらの現象を過小評価するメカニズムを説明するための擬似反応拡散モデルを提案する。
論文 参考訳(メタデータ) (2020-10-01T16:09:22Z)
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。