論文の概要: Towards Computing an Optimal Abstraction for Structural Causal Models
- arxiv url: http://arxiv.org/abs/2208.00894v1
- Date: Mon, 1 Aug 2022 14:35:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-02 13:34:04.904069
- Title: Towards Computing an Optimal Abstraction for Structural Causal Models
- Title(参考訳): 構造因果モデルのための最適抽象化の計算に向けて
- Authors: Fabio Massimo Zennaro, Paolo Turrini, Theodoros Damoulas
- Abstract要約: 我々は抽象学習の問題に焦点をあてる。
我々は,情報損失の具体的な尺度を提案し,その新しい抽象化の学習への貢献について説明する。
- 参考スコア(独自算出の注目度): 16.17846886492361
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Working with causal models at different levels of abstraction is an important
feature of science. Existing work has already considered the problem of
expressing formally the relation of abstraction between causal models. In this
paper, we focus on the problem of learning abstractions. We start by defining
the learning problem formally in terms of the optimization of a standard
measure of consistency. We then point out the limitation of this approach, and
we suggest extending the objective function with a term accounting for
information loss. We suggest a concrete measure of information loss, and we
illustrate its contribution to learning new abstractions.
- Abstract(参考訳): 異なるレベルの抽象レベルで因果モデルを扱うことは、科学の重要な特徴である。
既存の研究は、因果モデル間の抽象関係を正式に表現する問題を既に検討している。
本稿では,抽象学習の問題に焦点をあてる。
まず、一貫性の標準尺度の最適化の観点から学習問題を形式的に定義することから始める。
そこで我々は,この手法の限界を指摘し,情報損失を考慮に入れた用語で目的関数を拡張することを提案する。
我々は,情報損失の具体的な尺度を提案し,その新しい抽象化の学習への貢献を説明する。
関連論文リスト
- Abstraction Alignment: Comparing Model and Human Conceptual Relationships [26.503178592074757]
モデルが学習した抽象と期待される人間の抽象との一致を測定する手法である抽象アライメントを導入する。
評価タスクでは、抽象化アライメントがモデルの振る舞いとデータセットの内容をより深く理解します。
論文 参考訳(メタデータ) (2024-07-17T13:27:26Z) - Learning Causal Abstractions of Linear Structural Causal Models [18.132607344833925]
因果抽象化(Causal Abstraction)は、2つの構造因果モデルを異なるレベルの詳細で定式化するフレームワークを提供する。
線形抽象関数を持つ線形因果モデルに対する両問題に対処する。
特にAbs-LiNGAMは,学習された高レベルモデルと抽象関数によって引き起こされる制約を利用して,より大規模な低レベルモデルの回復を高速化する手法である。
論文 参考訳(メタデータ) (2024-06-01T10:42:52Z) - Building Minimal and Reusable Causal State Abstractions for
Reinforcement Learning [63.58935783293342]
Causal Bisimulation Modeling (CBM) は、各タスクのダイナミクスと報酬関数の因果関係を学習し、最小限のタスク固有の抽象化を導出する手法である。
CBMの学習された暗黙的ダイナミクスモデルは、明確なものよりも根底にある因果関係と状態抽象化を正確に識別する。
論文 参考訳(メタデータ) (2024-01-23T05:43:15Z) - Neural Causal Abstractions [63.21695740637627]
我々は、変数とそのドメインをクラスタリングすることで、因果抽象化の新しいファミリーを開発する。
本稿では,ニューラルネットワークモデルを用いて,そのような抽象化が現実的に学習可能であることを示す。
本実験は、画像データを含む高次元設定に因果推論をスケールする方法を記述し、その理論を支持する。
論文 参考訳(メタデータ) (2024-01-05T02:00:27Z) - 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) - Does Deep Learning Learn to Abstract? A Systematic Probing Framework [69.2366890742283]
抽象化はディープラーニングモデルにとって望ましい機能であり、具体的なインスタンスから抽象概念を誘導し、学習コンテキストを超えて柔軟に適用することを意味する。
本稿では,伝達可能性の観点から,ディープラーニングモデルの抽象化能力を検討するための体系的探索フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-23T12:50:02Z) - Causal Dynamics Learning for Task-Independent State Abstraction [61.707048209272884]
タスク独立状態抽象化(CDL)のための因果ダイナミクス学習を導入する。
CDLは、状態変数とアクションの間の不要な依存関係を取り除く理論的に証明された因果ダイナミクスモデルを学ぶ。
状態抽象化は、学習されたダイナミクスから導き出すことができる。
論文 参考訳(メタデータ) (2022-06-27T17:02:53Z) - Towards a Mathematical Theory of Abstraction [0.0]
抽象化とは何か、そしておそらくもっと重要なのは、データから直接抽象化がどのように学習できるかを示唆する正確な特徴付けを提供します。
この結果は統計的推論や機械学習に深く影響し,データから直接正確な抽象化を学習するための明示的な手法の開発に利用することができる。
論文 参考訳(メタデータ) (2021-06-03T13:23:49Z) - Leveraging Unlabeled Data for Entity-Relation Extraction through
Probabilistic Constraint Satisfaction [54.06292969184476]
シンボリックドメイン知識の存在下でのエンティティ関係抽出の問題を研究する。
本手法では,論理文の正確な意味を捉える意味的損失を用いる。
低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。
論文 参考訳(メタデータ) (2021-03-20T00:16:29Z) - 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。