論文の概要: Causal Discovery and Causal Learning for Fire Resistance Evaluation:
Incorporating Domain Knowledge
- arxiv url: http://arxiv.org/abs/2204.05311v1
- Date: Mon, 11 Apr 2022 22:35:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-13 14:37:55.107736
- Title: Causal Discovery and Causal Learning for Fire Resistance Evaluation:
Incorporating Domain Knowledge
- Title(参考訳): 耐火性評価のための因果発見と因果学習:ドメイン知識を取り入れて
- Authors: M.Z. Naser, Aybike Ozyuksel Ciftcioglu
- Abstract要約: 本稿では,構造部材の耐火性を評価するために因果発見と因果推論を利用する手法を提案する。
本手法では, 鉄筋コンクリート(RC)柱の耐火性に関連するキー変数間の因果構造を明らかにするために, 因果発見アルゴリズムを採用した。
- 参考スコア(独自算出の注目度): 1.827510863075184
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Experiments remain the gold standard to establish an understanding of
fire-related phenomena. A primary goal in designing tests is to uncover the
data generating process (i.e., the how and why the observations we see come to
be); or simply what causes such observations. Uncovering such a process not
only advances our knowledge but also provides us with the capability to be able
to predict phenomena accurately. This paper presents an approach that leverages
causal discovery and causal inference to evaluate the fire resistance of
structural members. In this approach, causal discovery algorithms are adopted
to uncover the causal structure between key variables pertaining to the fire
resistance of reinforced concrete (RC) columns. Then, companion inference
algorithms are applied to infer (estimate) the influence of each variable on
the fire resistance given a specific intervention. Finally, this study ends by
contrasting the algorithmic causal discovery with that obtained from domain
knowledge and traditional machine learning. Our findings clearly show the
potential and merit of adopting causality into our domain.
- Abstract(参考訳): 実験は火に関する現象を理解するための金の標準のままである。
テストの設計における第一の目標は、データ生成プロセス(すなわち、私たちが見ている観察がどうなったのかと理由)を明らかにすることである。
このようなプロセスを明らかにすることは、知識を前進させるだけでなく、現象を正確に予測する能力も提供してくれます。
本稿では,構造部材の耐火性を評価するために因果発見と因果推論を利用する手法を提案する。
本手法では, 鉄筋コンクリート(RC)柱の耐火性に関連するキー変数間の因果構造を明らかにするために, 因果発見アルゴリズムを採用した。
次に, コンパニオン推論アルゴリズムを適用し, 特定の介入が与えた耐火性に対する各変数の影響を推定(見積)する。
最後に、この研究は、アルゴリズムによる因果発見と、ドメイン知識と従来の機械学習から得られたものとを対比することで終わる。
我々の領域に因果性を導入する可能性とメリットは明らかです。
関連論文リスト
- CORE: Towards Scalable and Efficient Causal Discovery with Reinforcement
Learning [2.7446241148152253]
COREは、因果発見と介入計画のための強化学習に基づくアプローチである。
その結果,COREは未知のグラフに一般化し,因果構造を効率的に発見できることがわかった。
COREは最大10変数のグラフにスケールし、構造推定精度とサンプル効率において既存のアプローチより優れている。
論文 参考訳(メタデータ) (2024-01-30T12:57:52Z) - Nonlinearity, Feedback and Uniform Consistency in Causal Structural
Learning [0.8158530638728501]
Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。
この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
論文 参考訳(メタデータ) (2023-08-15T01:23:42Z) - 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) - DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。
具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。
効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
論文 参考訳(メタデータ) (2023-03-12T03:40:21Z) - 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) - Causality, Causal Discovery, and Causal Inference in Structural
Engineering [1.827510863075184]
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。
論文 参考訳(メタデータ) (2022-04-04T14:49:47Z) - 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) - Everything Has a Cause: Leveraging Causal Inference in Legal Text
Analysis [62.44432226563088]
因果推論は変数間の因果関係を捉えるプロセスである。
本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。
GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
論文 参考訳(メタデータ) (2021-04-19T16:13:10Z) - ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。
Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。
純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文 参考訳(メタデータ) (2021-03-26T02:42:38Z) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳(メタデータ) (2020-11-04T10:25:13Z)
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。