論文の概要: Abstraction between Structural Causal Models: A Review of Definitions and Properties

• arxiv url: http://arxiv.org/abs/2207.08603v1
• Date: Mon, 18 Jul 2022 13:47:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 15:02:23.617169
• Title: Abstraction between Structural Causal Models: A Review of Definitions and Properties
• Title（参考訳）: 構造因果モデル間の抽象化:定義と性質のレビュー
• Authors: Fabio Massimo Zennaro
• Abstract要約: 構造因果モデル (Structure causal model, SCM) は因果系を扱うための広範な形式主義である。 本稿では,SCM間の写像の形式的特性に着目し,これらの特性を適用可能な異なる層(構造的,分布的)を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structural causal models (SCMs) are a widespread formalism to deal with causal systems. A recent direction of research has considered the problem of relating formally SCMs at different levels of abstraction, by defining maps between SCMs and imposing a requirement of interventional consistency. This paper offers a review of the solutions proposed so far, focusing on the formal properties of a map between SCMs, and highlighting the different layers (structural, distributional) at which these properties may be enforced. This allows us to distinguish families of abstractions that may or may not be permitted by choosing to guarantee certain properties instead of others. Such an understanding not only allows to distinguish among proposal for causal abstraction with more awareness, but it also allows to tailor the definition of abstraction with respect to the forms of abstraction relevant to specific applications.
• Abstract（参考訳）: 構造因果モデル(scms)は因果システムを扱うために広く普及した形式である。 最近の研究の方向性は、SCM間のマップを定義し、介入整合性の要件を課すことによって、抽象化の異なるレベルで正式にSCMを関連付けることの問題を考察している。 本稿では,SCM間の地図の形式的特性に着目し,これらの特性を適用可能な異なるレイヤ(構造的,分布的)に注目し,これまでに提案されたソリューションのレビューを行う。 これにより、特定のプロパティを他のプロパティに代えて保証することを選択することで、許容されるかもしれない、あるいは許可されない抽象化のファミリーを区別することができます。 このような理解は、より意識的に因果的抽象化の提案を区別できるだけでなく、特定のアプリケーションに関連する抽象化の形式に関して抽象化の定義を調整できる。

関連論文リスト

• Athanor: Local Search over Abstract Constraint Specifications [2.3383199519492455]
  本稿では,制約モデルとして受け入れる汎用ローカルサーチソルバに着目した。 ここで説明するAthanorソルバは、抽象制約仕様言語Essenceにおける問題の仕様から始まります。
  論文  参考訳（メタデータ） (2024-10-08T11:41:38Z)
• Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
  本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。 本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。 実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-10T17:04:39Z)
• 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)
• A Semantic Approach to Decidability in Epistemic Planning (Extended Version) [72.77805489645604]
  我々は決定可能性を達成するために新しい意味論的アプローチを用いる。 具体的には、知識の論理S5$_n$と(知識)可換性と呼ばれる相互作用公理を拡大する。 我々は,本フレームワークが,独立した知識である共通知識の有限的非固定点的特徴を認めていることを証明した。
  論文  参考訳（メタデータ） (2023-07-28T11:26:26Z)
• Quantifying Consistency and Information Loss for Causal Abstraction Learning [16.17846886492361]
  我々は、エージェントがそのようなトレードオフを評価するために使用できる介入措置のファミリーを紹介する。 我々は,異なるタスクに適した4つの尺度を考察し,その特性を分析し,因果的抽象を評価・学習するためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-07T19:10:28Z)
• Finding Alignments Between Interpretable Causal Variables and Distributed Neural Representations [62.65877150123775]
  因果抽象化は、説明可能な人工知能のための有望な理論的枠組みである。 既存の因果抽象法では、高レベルモデルと低レベルモデルの間のアライメントをブルートフォースで探索する必要がある。 これらの制約を克服する分散アライメントサーチ(DAS)を提案する。
  論文  参考訳（メタデータ） (2023-03-05T00:57:49Z)
• Jointly Learning Consistent Causal Abstractions Over Multiple Interventional Distributions [8.767175335575386]
  抽象化は、同じシステムを表す2つの構造因果モデルを異なる解像度で関連付けるために使用できる。 リシェルが最近提案した抽象化の形式化に基づく,SCM間の因果的抽象化学習のための第1のフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-01-14T11:22:16Z)
• Causal Abstraction with Soft Interventions [15.143508016472184]
  因果抽象化は、複数の因果モデルがどのように異なる詳細レベルで同じシステムを表現できるかを記述する理論を提供する。 我々は因果的抽象化を「ソフト」な介入に拡張し、新しい因果的接続を追加することなく変数に非定数関数を割り当てる。
  論文  参考訳（メタデータ） (2022-11-22T13:42:43Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Invariant Causal Prediction for Block MDPs [106.63346115341862]
  環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。 本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T21:03:01Z)

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。