論文の概要: Causality, Causal Discovery, and Causal Inference in Structural Engineering

• arxiv url: http://arxiv.org/abs/2204.01543v2
• Date: Thu, 7 Apr 2022 12:06:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-08 11:28:12.213828
• Title: Causality, Causal Discovery, and Causal Inference in Structural Engineering
• Title（参考訳）: 構造工学における因果性、因果発見、因果推論
• Authors: M.Z. Naser
• Abstract要約: 本稿では,土木工学の観点からの因果発見と因果推論の事例を構築した。 具体的には、因果関係の鍵となる原理と、因果関係の発見と因果推論のための最も一般的なアルゴリズムとパッケージについて概説する。
• 参考スコア（独自算出の注目度）: 1.827510863075184
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Much of our experiments are designed to uncover the cause(s) and effect(s) behind a data generating mechanism (i.e., phenomenon) we happen to be interested in. Uncovering such relationships allows us to identify the true working of a phenomenon and, most importantly, articulate a model that may enable us to further explore the phenomenon on hand and/or allow us to predict it accurately. Fundamentally, such models are likely to be derived via a causal approach (as opposed to an observational or empirical mean). In this approach, causal discovery is required to create a causal model, which can then be applied to infer the influence of interventions, and answer any hypothetical questions (i.e., in the form of What ifs? Etc.) that we might have. This paper builds a case for causal discovery and causal inference and contrasts that against traditional machine learning approaches; all from a civil and structural engineering perspective. More specifically, this paper outlines the key principles of causality and the most commonly used algorithms and packages for causal discovery and causal inference. Finally, this paper also presents a series of examples and case studies of how causal concepts can be adopted for our domain.
• Abstract（参考訳）: 私たちの実験の多くは、私たちが興味を持っているデータ生成メカニズム(すなわち現象)の背後にある原因と効果を明らかにするように設計されています。 このような関係を明らかにすることで、現象の真の動作を特定し、最も重要なのは、手元にある現象をさらに探究し、正確に予測できるようにするモデルを明確にすることである。 基本的には、そのようなモデルは(観測的または経験的平均とは対照的に)因果的アプローチによって導出される可能性が高い。 このアプローチにおいて因果発見は因果モデルを作成するために必要であり、それは介入の影響を推測するために適用され、仮定的な質問(つまり、我々が持つであろうもの(What ifs? Etc.))に答えることができる。 本稿では、因果発見と因果推論のケースを構築し、これらを従来の機械学習アプローチと対比する。 より具体的には、因果関係の重要な原則と因果関係の発見と因果推論の最も一般的なアルゴリズムとパッケージを概説する。 最後に、本論文では、我々のドメインに因果概念をどのように適用できるかの一連の事例とケーススタディを示す。

関連論文リスト

• Neural Causal Abstractions [63.21695740637627]
  我々は、変数とそのドメインをクラスタリングすることで、因果抽象化の新しいファミリーを開発する。 本稿では,ニューラルネットワークモデルを用いて,そのような抽象化が現実的に学習可能であることを示す。 本実験は、画像データを含む高次元設定に因果推論をスケールする方法を記述し、その理論を支持する。
  論文  参考訳（メタデータ） (2024-01-05T02:00:27Z)
• Emergence and Causality in Complex Systems: A Survey on Causal Emergence and Related Quantitative Studies [12.78006421209864]
  因果発生理論は出現を定量化するために因果関係の尺度を用いる。 因果の出現を定量化し、データを識別する。 因果表現学習,因果モデル抽象化,世界モデルに基づく強化学習によって,因果表現の出現を識別するアーキテクチャが共有されることを強調した。
  論文  参考訳（メタデータ） (2023-12-28T04:20:46Z)
• 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)
• Causal Kripke Models [0.0]
  この研究は、実際の因果関係に関するハルパーンとパールの因果関係モデルを、可能な世界意味論環境にまで拡張する。 このフレームワークを用いることで、複数の可能性、時間性、知識、不確実性を含むシナリオにおける因果関係の推論を可能にする、モーダル演算子による実際の因果関係の論理を導入する。
  論文  参考訳（メタデータ） (2023-07-11T07:08:14Z)
• A Survey on Causal Discovery: Theory and Practice [2.741266294612776]
  因果推論は、原因とその影響を結びつける基礎となる関係を定量化するように設計されている。 本稿では,最近の進歩を統一的に検討し,既存のアルゴリズムを一貫した概要を提供し,有用なツールやデータを報告する。
  論文  参考訳（メタデータ） (2023-05-17T08:18:56Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• To do or not to do: finding causal relations in smart homes [2.064612766965483]
  本稿では,環境と観測データの混合実験から因果モデルを学ぶための新しい手法を提案する。 我々の手法の核心は、選択された介入の使用であり、特に、介入が不可能な変数を考慮に入れた学習である。 本手法をスマートホームシミュレーション,すなわち因果関係を知ることが説明可能なシステムへの道を開くユースケースに応用する。
  論文  参考訳（メタデータ） (2021-05-20T22:36:04Z)
• Towards Causal Representation Learning [96.110881654479]
  機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。 現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
  論文  参考訳（メタデータ） (2021-02-22T15:26:57Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。