論文の概要: Causal Domain Adaptation with Copula Entropy based Conditional Independence Test

• arxiv url: http://arxiv.org/abs/2202.13482v1
• Date: Sun, 27 Feb 2022 23:32:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 17:44:46.906053
• Title: Causal Domain Adaptation with Copula Entropy based Conditional Independence Test
• Title（参考訳）: コプラエントロピーに基づく条件付き独立テストによる因果領域適応
• Authors: Jian Ma
• Abstract要約: ドメイン適応(DA)は、ソースドメインでトレーニングされたモデルを異なる分布を持つターゲットドメインに転送することを目的とした機械学習の典型的な問題である。 まず、因果DA問題の数学的モデルを示し、その後、領域間の不変表現を見つける因果DAの方法を提案する。
• 参考スコア（独自算出の注目度）: 2.3980064191633232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain Adaptation (DA) is a typical problem in machine learning that aims to transfer the model trained on source domain to target domain with different distribution. Causal DA is a special case of DA that solves the problem from the view of causality. It embeds the probabilistic relationships in multiple domains in a larger causal structure network of a system and tries to find the causal source (or intervention) on the system as the reason of distribution drifts of the system states across domains. In this sense, causal DA is transformed as a causal discovery problem that finds invariant representation across domains through the conditional independence between the state variables and observable state of the system given interventions. Testing conditional independence is the corner stone of causal discovery. Recently, a copula entropy based conditional independence test was proposed with a rigorous theory and a non-parametric estimation method. In this paper, we first present a mathemetical model for causal DA problem and then propose a method for causal DA that finds the invariant representation across domains with the copula entropy based conditional independence test. The effectiveness of the method is verified on two simulated data. The power of the proposed method is then demonstrated on two real-world data: adult census income data and gait characteristics data.
• Abstract（参考訳）: ドメイン適応(DA)は、ソースドメインでトレーニングされたモデルを異なる分布を持つターゲットドメインに転送することを目的とした機械学習の典型的な問題である。 因果 DA は因果性の観点から問題を解く DA の特殊なケースである。 それは、システムのより大きな因果構造ネットワークに、複数のドメインに確率的関係を埋め込み、ドメイン間のシステム状態の分散ドリフトの理由として、システム上の因果源(または介入)を見つけようとします。 この意味で、因果DAは、状態変数と観測可能なシステムの状態の間の条件独立性を通じてドメイン間の不変表現を見つける因果発見問題として変換される。 条件付き独立試験は因果発見の要点である。 近年、厳密な理論と非パラメトリック推定法により、コプラエントロピーに基づく条件独立性試験が提案されている。 本稿では,まず,causal da問題に対するmathemetical modelを提案し,copula entropyに基づく条件付き独立性テストを用いて,領域間の不変表現を求めるcausal da法を提案する。 この手法の有効性を2つのシミュレーションデータで検証する。 提案手法のパワーは、成人の国勢調査収入データと歩行特性データという2つの実世界のデータで実証される。

関連論文リスト

• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Demystifying Disagreement-on-the-Line in High Dimensions [34.103373453782744]
  我々は高次元のランダム特徴回帰における不一致を解析するための理論的基盤を開発する。 CIFAR-10-C、Tiny ImageNet-C、Camelyon17の実験は、我々の理論と一致しており、理論的な発見の普遍性を支持する。
  論文  参考訳（メタデータ） (2023-01-31T02:31:18Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Instrumental Variable-Driven Domain Generalization with Unobserved Confounders [53.735614014067394]
  ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインから、目に見えないターゲットドメインをうまく一般化できるモデルを学ぶことを目的としている。 観測不能な共同創設者のバイアスを2段階学習で除去し,インストゥルメンタル変数駆動型DG法(IV-DG)を提案する。 第1段階では、あるドメインの入力特徴の条件分布を他のドメインの入力特徴の条件分布として学習する。 第2段階では,ラベルと学習条件分布の関係を推定する。
  論文  参考訳（メタデータ） (2021-10-04T13:32:57Z)
• Heuristic Domain Adaptation [105.59792285047536]
  Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。 Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
  論文  参考訳（メタデータ） (2020-11-30T04:21:35Z)
• Information-Theoretic Approximation to Causal Models [0.0]
  有限標本から2つの確率変数間の因果方向と因果効果を推定する問題の解法が可能であることを示す。 X と Y のサンプルから生じる分布を高次元確率空間に埋め込む。 本稿では, 線形最適化問題を解くことにより, 因果モデル(IACM)に対する情報理論近似が可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-29T18:34:58Z)
• Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism [2.28438857884398]
  因果図形構造における潜時楽器変数や隠蔽共通原因などの潜時変数の役割について検討する。 2つの変数間の因果関係を推論する新しいアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-07-17T08:18:19Z)
• Few-shot Domain Adaptation by Causal Mechanism Transfer [107.08605582020866]
  我々は,少数のラベル付き対象ドメインデータと多数のラベル付きソースドメインデータしか利用できないレグレッション問題に対して,数ショットの教師付きドメイン適応(DA)について検討する。 現在のDA法の多くは、パラメータ化された分布シフトまたは明らかな分布類似性に基づく転送仮定に基づいている。 本稿では,データ生成機構がドメイン間で不変であるメタ分散シナリオであるメカニズム転送を提案する。
  論文  参考訳（メタデータ） (2020-02-10T02:16:53Z)

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。