論文の概要: Causal Machine Learning: A Survey and Open Problems

• arxiv url: http://arxiv.org/abs/2206.15475v1
• Date: Thu, 30 Jun 2022 17:59:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-01 16:00:43.443775
• Title: Causal Machine Learning: A Survey and Open Problems
• Title（参考訳）: Causal Machine Learning: 調査とオープンな問題
• Authors: Jean Kaddour, Aengus Lynch, Qi Liu, Matt J. Kusner, Ricardo Silva
• Abstract要約: Causal Machine Learning (CausalML)は、データ生成過程を構造因果モデル(Structure causal model, SCM)として定式化する機械学習手法の略称である。 1) 因果関係の学習, (2) 因果関係の生成モデル, (3) 因果関係の説明, (4) 因果関係の公正性,(5) 因果関係の強化学習。
• 参考スコア（独自算出の注目度）: 33.76115961143128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal Machine Learning (CausalML) is an umbrella term for machine learning methods that formalize the data-generation process as a structural causal model (SCM). This allows one to reason about the effects of changes to this process (i.e., interventions) and what would have happened in hindsight (i.e., counterfactuals). We categorize work in \causalml into five groups according to the problems they tackle: (1) causal supervised learning, (2) causal generative modeling, (3) causal explanations, (4) causal fairness, (5) causal reinforcement learning. For each category, we systematically compare its methods and point out open problems. Further, we review modality-specific applications in computer vision, natural language processing, and graph representation learning. Finally, we provide an overview of causal benchmarks and a critical discussion of the state of this nascent field, including recommendations for future work.
• Abstract（参考訳）: Causal Machine Learning (CausalML) は、データ生成プロセスを構造因果モデル(SCM)として形式化する機械学習手法の略称である。 これにより、このプロセス(例えば、介入)の変更の影響と、後見(すなわち、偽物)で何が起こったのかを判断することができる。 研究は,(1)因果関係学習,(2)因果関係生成モデリング,(3)因果関係説明,(4)因果関係の公平性,(5)因果関係の強化学習の5つのグループに分類した。 各カテゴリについて、その手法を体系的に比較し、オープン問題を指摘する。 さらに,コンピュータビジョン,自然言語処理,グラフ表現学習におけるモダリティ特有の応用について検討する。 最後に、因果ベンチマークの概要と、今後の作業の推奨を含む、この新興分野の現状に関する批判的な議論について述べる。

関連論文リスト

• CausalGym: Benchmarking causal interpretability methods on linguistic tasks [52.61917615039112]
  CausalGymを使って、モデル動作に因果的に影響を及ぼす解釈可能性手法のベンチマークを行う。 ピチアモデル (14M--6.9B) について検討し, 幅広い解釈可能性手法の因果効果について検討した。 DASは他の手法よりも優れており、2つの困難な言語現象の学習軌跡の研究に利用している。
  論文  参考訳（メタデータ） (2024-02-19T21:35:56Z)
• Transparency challenges in policy evaluation with causal machine learning -- improving usability and accountability [0.0]
  モデルがどのように見積を行うかを理解するには、グローバルに解釈可能な方法はない。 因果機械学習モデルが公正な方法で機能しているかどうかを理解するのは難しい。 本稿では,透明性の問題が公共政策評価アプリケーションにおける因果的機械学習の課題である理由を考察する。
  論文  参考訳（メタデータ） (2023-10-20T02:48:29Z)
• Diagrammatic Modelling of Causality and Causal Relations [0.0]
  本稿では、因果関係の図式モデル(図形)について述べる。 我々は,この文脈において,物作り機械の概念言語(TM)をツールとして使用することを試みた。 その結果, TMによる因果関係の描写はより完全であり, 因果グラフの基礎となることが示唆された。
  論文  参考訳（メタデータ） (2023-10-17T07:17:51Z)
• Generative Models as a Complex Systems Science: How can we make sense of large language model behavior? [75.79305790453654]
  事前訓練されたモデルから望ましい振る舞いを排除し、望ましくないモデルを避けながら、NLPを再定義した。 言語モデルの振る舞いをタスク間性能を説明するカテゴリに分解する体系的な取り組みについて論じる。
  論文  参考訳（メタデータ） (2023-07-31T22:58:41Z)
• 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)
• Interpretable Machine Learning: Fundamental Principles and 10 Grand Challenges [27.87985973854223]
  機械学習(ML)の解釈可能性は、高い利害決定とトラブルシューティングに不可欠である。 本研究では,MLを解釈するための基本原則を提供し,一般的な誤解を解消する。 我々は、解釈可能な機械学習における10の技術的課題領域を特定し、各問題の履歴と背景を提供する。
  論文  参考訳（メタデータ） (2021-03-20T21:58:27Z)
• 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)
• Towards Interpretable Reasoning over Paragraph Effects in Situation [126.65672196760345]
  我々は,原因と効果を理解するためのモデルを必要とする状況において,段落効果を推論する作業に焦点をあてる。 本稿では,ニューラルネットワークモジュールを用いた推論プロセスの各ステップを明示的にモデル化する逐次的手法を提案する。 特に、5つの推論モジュールはエンドツーエンドで設計され、学習され、より解釈可能なモデルにつながる。
  論文  参考訳（メタデータ） (2020-10-03T04:03:52Z)

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。