Fugu-MT 論文翻訳(概要): Weakly supervised causal representation learning

論文の概要: Weakly supervised causal representation learning

arxiv url: http://arxiv.org/abs/2203.16437v1
Date: Wed, 30 Mar 2022 16:35:26 GMT
ステータス: 処理完了
システム内更新日: 2022-03-31 17:45:36.711859
Title: Weakly supervised causal representation learning
Title（参考訳）: 弱教師付き因果表現学習
Authors: Johann Brehmer, Pim de Haan, Phillip Lippe, and Taco Cohen
Abstract要約: 我々は、この表現が弱教師付き環境で識別可能であるという軽微な仮定の下で証明する。これは、ランダムで未知の介入の前と後にペア化されたサンプルを持つデータセットを必要とするが、それ以上のラベルは必要ない。構造因果モデルを持つ変分オートエンコーダを用いて、単純な合成領域において、表現と因果グラフを確実に推論できることが示される。
参考スコア（独自算出の注目度）: 17.331163751086986
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Learning high-level causal representations together with a causal model from unstructured low-level data such as pixels is impossible from observational data alone. We prove under mild assumptions that this representation is identifiable in a weakly supervised setting. This requires a dataset with paired samples before and after random, unknown interventions, but no further labels. Finally, we show that we can infer the representation and causal graph reliably in a simple synthetic domain using a variational autoencoder with a structural causal model as prior.
Abstract（参考訳）: ピクセルのような非構造化低レベルデータから因果モデルとともに高レベル因果表現を学ぶことは、観測データだけでは不可能である。我々は、この表現が弱教師付き環境で識別可能であるという軽微な仮定の下で証明する。これは、ランダムに未知の介入の前後にペアのサンプルを持つデータセットを必要とするが、これ以上のラベルは必要ない。最後に,構造的因果モデルを持つ変分オートエンコーダを用いて,単純な合成領域において,表現と因果グラフを確実に推定できることを示す。

関連論文リスト

Graphical Modelling without Independence Assumptions for Uncentered Data [0.30723404270319693]
ゼロ平均仮定がモデリングにおいて過度な誤りを引き起こすことを示す。具体的には,そのような誤りを回避できるゼロ平均仮定の緩和を提案する。
論文参考訳（メタデータ） (2024-08-05T11:40:23Z)
Learning Causal Representations from General Environments: Identifiability and Intrinsic Ambiguity [27.630223763160515]
一般的な環境から得られたデータに基づいて,最初の識別可能性を示す。線形因果モデルでは、因果グラフは完全復元可能であるが、潜伏変数は閉ノード曖昧性(SNA)までしか識別できないことを示す。また,SNAまでの地下構造モデルを確実に復元するアルゴリズムである texttLiNGCReL を提案する。
論文参考訳（メタデータ） (2023-11-21T01:09:11Z)
Interpretable time series neural representation for classification purposes [3.1201323892302444]
提案したモデルは、一貫した、離散的で、解釈可能で、可視化可能な表現を生成する。実験の結果,提案したモデルでは,複数のデータセットに対する他の解釈可能なアプローチよりも平均的に優れた結果が得られることがわかった。
論文参考訳（メタデータ） (2023-10-25T15:06:57Z)
ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文参考訳（メタデータ） (2023-04-07T15:17:48Z)
Causal Transportability for Visual Recognition [70.13627281087325]
画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
論文参考訳（メタデータ） (2022-04-26T15:02:11Z)
Stable and Compact Face Recognition via Unlabeled Data Driven Sparse Representation-Based Classification [39.398339531136344]
ラベル付きデータ駆動逆プロジェクション擬フルスペース表現に基づく分類モデルを提案する。提案モデルは,すべての利用可能なデータの隠された意味情報と本質的な構造情報をマイニングすることを目的としている。 3つの公開データセットの実験により、提案したLR-S-PFSRCモデルが安定した結果が得られることが示された。
論文参考訳（メタデータ） (2021-11-04T13:19:38Z)
Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。私たちのフレームワークは、サンプル間の関係をよく保存します。サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文参考訳（メタデータ） (2020-07-11T10:57:45Z)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)
Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文参考訳（メタデータ） (2020-04-20T02:47:49Z)
Robust and On-the-fly Dataset Denoising for Image Classification [72.10311040730815]
On-the-fly Data Denoising (ODD)は、間違ったラベルの例に対して堅牢だが、通常のトレーニングと比べて計算オーバーヘッドはほぼゼロである。 ODDはWebVisionやClothing1Mといった現実世界のデータセットを含む、幅広いデータセットで最先端の結果を達成することができる。
論文参考訳（メタデータ） (2020-03-24T03:59:26Z)

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。