論文の概要: iCITRIS: Causal Representation Learning for Instantaneous Temporal
Effects
- arxiv url: http://arxiv.org/abs/2206.06169v1
- Date: Mon, 13 Jun 2022 13:56:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 13:02:58.421942
- Title: iCITRIS: Causal Representation Learning for Instantaneous Temporal
Effects
- Title（参考訳）: iCITRIS:瞬時効果のための因果表現学習
- Authors: Phillip Lippe, Sara Magliacane, Sindy L\"owe, Yuki M. Asano, Taco
Cohen, Efstratios Gavves
- Abstract要約: 因果表現学習は、基礎となる因果変数とその関係を高次元観測から識別するタスクである。
時間的シーケンスにおける瞬時効果を処理できる因果表現学習法iCITRISを提案する。
3つのビデオデータセットの実験において、iCITRISは因果因子とその因果グラフを正確に識別する。
- 参考スコア（独自算出の注目度）: 36.358968799947924
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Causal representation learning is the task of identifying the underlying
causal variables and their relations from high-dimensional observations, such
as images. Recent work has shown that one can reconstruct the causal variables
from temporal sequences of observations under the assumption that there are no
instantaneous causal relations between them. In practical applications,
however, our measurement or frame rate might be slower than many of the causal
effects. This effectively creates "instantaneous" effects and invalidates
previous identifiability results. To address this issue, we propose iCITRIS, a
causal representation learning method that can handle instantaneous effects in
temporal sequences when given perfect interventions with known intervention
targets. iCITRIS identifies the causal factors from temporal observations,
while simultaneously using a differentiable causal discovery method to learn
their causal graph. In experiments on three video datasets, iCITRIS accurately
identifies the causal factors and their causal graph.
- Abstract（参考訳）: 因果表現学習は、基礎となる因果変数とその関係を画像などの高次元観察から識別するタスクである。
近年の研究では, 因果関係が存在しないという仮定の下で, 時間的な観測順序から因果変数を再構築できることが示されている。
しかし,実際の応用では,我々の測定やフレームレートは多くの因果効果よりも遅い可能性がある。
効果を効果的に生成し、以前の識別可能性の結果を無効にする。
そこで本研究では,既知の介入目標を満たした完全な介入が与えられた場合,時間系列における瞬時効果を処理できる因果表現学習手法であるicitrisを提案する。
iCITRISは、時間的観察から因果因子を特定し、同時に異なる因果発見法を用いて因果グラフを学習する。
3つのビデオデータセットの実験において、iCITRISは因果因子とその因果グラフを正確に識別する。
関連論文リスト
- On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - 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) - Identifiability of Direct Effects from Summary Causal Graphs [1.0878040851638]
本稿では,要約因果グラフから直接効果が図形的に識別可能なすべてのケースを特徴付ける。
これは2つの音の有限調整セットを与え、それが特定可能なときに直接効果を推定するために使用できる。
論文 参考訳（メタデータ） (2023-06-29T14:05:35Z) - 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) - 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) - Identifying Weight-Variant Latent Causal Models [82.14087963690561]
推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。
いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。
本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2022-08-30T11:12:59Z) - 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) - CITRIS: Causal Identifiability from Temporal Intervened Sequences [36.358968799947924]
画像の時間的シーケンスから因果表現を学習する変分自動エンコーダフレームワークであるCITRISを提案する。
3Dレンダリング画像シーケンスの実験では、CITRISは根底にある因果変数を復元する従来の手法よりも優れていた。
論文 参考訳（メタデータ） (2022-02-07T13:55:36Z)
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。