論文の概要: Partial Disentanglement via Mechanism Sparsity

• arxiv url: http://arxiv.org/abs/2207.07732v1
• Date: Fri, 15 Jul 2022 20:06:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 07:13:58.492249
• Title: Partial Disentanglement via Mechanism Sparsity
• Title（参考訳）: 機構空間による部分的絡み合い
• Authors: S\'ebastien Lachapelle and Simon Lacoste-Julien
• Abstract要約: メカニズムの疎性による絡み合いは、監督なしで潜伏要因を抽出する原則的アプローチとして導入された。 我々は、この理論の一般化を導入し、任意の基底真実グラフに適用する。 我々は、一貫性と呼ばれるモデルに対する新しい同値関係を通じて、学習された表現がいかに無関係になるかを示す。
• 参考スコア（独自算出の注目度）: 25.791043728989937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Disentanglement via mechanism sparsity was introduced recently as a principled approach to extract latent factors without supervision when the causal graph relating them in time is sparse, and/or when actions are observed and affect them sparsely. However, this theory applies only to ground-truth graphs satisfying a specific criterion. In this work, we introduce a generalization of this theory which applies to any ground-truth graph and specifies qualitatively how disentangled the learned representation is expected to be, via a new equivalence relation over models we call consistency. This equivalence captures which factors are expected to remain entangled and which are not based on the specific form of the ground-truth graph. We call this weaker form of identifiability partial disentanglement. The graphical criterion that allows complete disentanglement, proposed in an earlier work, can be derived as a special case of our theory. Finally, we enforce graph sparsity with constrained optimization and illustrate our theory and algorithm in simulations.
• Abstract（参考訳）: 因果グラフが疎度である場合, あるいは, 動作が観察され, 影響が軽度である場合に, 監視なしで潜伏因子を抽出する原理的手法として, 機構の疎度による絡み合いを導入した。 しかし、この理論は特定の基準を満たす接地グラフのみに適用される。 本研究では、この理論の一般化を導入し、一貫性と呼ばれるモデルに対する新しい同値関係を通じて、学習された表現がどの程度不整合であるかを定性的に特定する。 この同値性は、どの因子が絡み合うことが期待され、その因子は接地木グラフの特定の形式に基づいていない。 我々はこの弱い形の識別可能性の部分的乱れと呼ぶ。 初期の研究で提案された完全非絡み合いを許容するグラフィカルな基準は、我々の理論の特別な場合として導出することができる。 最後に,制約付き最適化でグラフの空間性を強制し,シミュレーションで理論とアルゴリズムを説明する。

関連論文リスト

• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• The Generative Programs Framework [0.0]
  任意の量的物理理論は、生成プログラムの形式で表すことができると論じる。 これらのグラフは「存在論的優先関係の符号化」と解釈でき、存在論的優先関係は因果関係の適切な一般化である。
  論文  参考訳（メタデータ） (2023-07-21T00:57:05Z)
• Axiomatization of Interventional Probability Distributions [4.02487511510606]
  因果的介入は、do-calculusの規則の下で公理化される。 我々の公理化の下では、インターベンジド分布は定義されたインターベンジド因果グラフに対するマルコフ分布であることが示される。 また、自然構造因果モデルの大規模なクラスが、ここで提示される理論を満たすことを示す。
  論文  参考訳（メタデータ） (2023-05-08T06:07:42Z)
• Understanding convolution on graphs via energies [23.18124653469668]
  グラフネットワーク(GNN)は一般的にメッセージパッシングによって動作し、隣人から受信した情報に基づいてノードの状態が更新される。 ほとんどのメッセージパッシングモデルはグラフ畳み込みとして機能し、エッジ上に伝播する前に共有された線形変換によって特徴が混合される。 ノード分類タスクでは、グラフの畳み込みには2つの制限がある。
  論文  参考訳（メタデータ） (2022-06-22T11:45:36Z)
• Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
  グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。 OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。 コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-11T04:38:39Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Conditions and Assumptions for Constraint-based Causal Structure Learning [2.741266294612776]
  この論文は、観測データから「真の」因果グラフの制約に基づく構造学習を定式化する。 分布が真の因果グラフに対するマルコヴィアンであるという仮定の下で、モデルの一般クラスに対する理論を提供する。
  論文  参考訳（メタデータ） (2021-03-24T23:08:00Z)
• 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。