論文の概要: Testing Causality in Scientific Modelling Software

• arxiv url: http://arxiv.org/abs/2209.00357v2
• Date: Fri, 30 Jun 2023 14:01:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 15:06:57.163737
• Title: Testing Causality in Scientific Modelling Software
• Title（参考訳）: 科学モデリングソフトウェアにおける因果性テスト
• Authors: Andrew G. Clark, Michael Foster, Benedikt Prifling, Neil Walkinshaw, Robert M. Hierons, Volker Schmidt, Robert D. Turner
• Abstract要約: Causal Testing Frameworkは、Causal Inferenceテクニックを使用して、既存のデータから因果効果を確立するフレームワークである。 実世界の科学モデルをカバーする3つのケーススタディとして、Causal Testing Frameworkがいかにメタモルフィックテストの結果を推測できるかを示す。
• 参考スコア（独自算出の注目度）: 0.26388783516590225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: From simulating galaxy formation to viral transmission in a pandemic, scientific models play a pivotal role in developing scientific theories and supporting government policy decisions that affect us all. Given these critical applications, a poor modelling assumption or bug could have far-reaching consequences. However, scientific models possess several properties that make them notoriously difficult to test, including a complex input space, long execution times, and non-determinism, rendering existing testing techniques impractical. In fields such as epidemiology, where researchers seek answers to challenging causal questions, a statistical methodology known as Causal Inference has addressed similar problems, enabling the inference of causal conclusions from noisy, biased, and sparse data instead of costly experiments. This paper introduces the Causal Testing Framework: a framework that uses Causal Inference techniques to establish causal effects from existing data, enabling users to conduct software testing activities concerning the effect of a change, such as Metamorphic Testing, a posteriori. We present three case studies covering real-world scientific models, demonstrating how the Causal Testing Framework can infer metamorphic test outcomes from reused, confounded test data to provide an efficient solution for testing scientific modelling software.
• Abstract（参考訳）: パンデミックにおける銀河形成のシミュレーションからウイルス感染まで、科学モデルが科学理論を発展させ、私たち全員に影響を与える政府の政策決定を支援する上で重要な役割を果たす。 これらの重要なアプリケーションを考えると、モデリングの不十分な仮定やバグは広範囲な結果をもたらす可能性がある。 しかし、科学モデルには、複雑な入力空間、長い実行時間、非決定論など、テストが難しいいくつかの特性があり、既存のテスト技術は実用的ではない。 研究者が因果問題に挑戦する答えを求める疫学のような分野において、因果推論(Causal Inference)として知られる統計学的手法は同様の問題に対処し、ノイズ、偏見、スパースデータからの因果結論の推論を可能にした。 本稿では,Causal Testing Frameworkについて紹介する。Causal Inference(因果推論)技術を用いて,既存のデータから因果的影響を確定するフレームワークである。 実世界の科学モデルをカバーする3つのケーススタディとして、Causal Testing Frameworkは、再利用されたテストデータからメタモルフィックテストの結果を推測し、科学モデリングソフトウェアをテストするための効率的なソリューションを提供する。

関連論文リスト

• DAG-aware Transformer for Causal Effect Estimation [0.8192907805418583]
  因果推論は、医療、経済学、社会科学などの分野における重要な課題である。 本稿では,これらの課題を克服する因果推論のためのトランスフォーマーを用いた新しい手法を提案する。 我々のモデルの中核となる革新は、注意機構に直接因果非巡回グラフ(DAG)を統合することである。
  論文  参考訳（メタデータ） (2024-10-13T23:17:58Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Hypothesizing Missing Causal Variables with LLMs [55.28678224020973]
  我々は、入力が欠落変数を持つ部分因果グラフであるような新しいタスクを定式化し、出力は部分グラフを完成させるための欠落変数に関する仮説である。 原因と効果の間の媒介変数を仮説化するLLMの強い能力を示す。 また,オープンソースモデルの一部がGPT-4モデルより優れているという驚くべき結果も得られた。
  論文  参考訳（メタデータ） (2024-09-04T10:37:44Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• The Causal Chambers: Real Physical Systems as a Testbed for AI Methodology [10.81691411087626]
  AI、機械学習、統計学のいくつかの分野において、新しい方法やアルゴリズムの検証は、適切な実世界のデータセットの不足によって妨げられることが多い。 我々は,非自明だがよく理解された物理的システムから,大規模データセットを迅速かつ安価に生成できる2つのデバイスを構築した。
  論文  参考訳（メタデータ） (2024-04-17T13:00:52Z)
• Targeted Reduction of Causal Models [55.11778726095353]
  因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。 本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。 複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
  論文  参考訳（メタデータ） (2023-11-30T15:46:22Z)
• Partially Specified Causal Simulations [0.0]
  多くの因果推論文学は、過剰に制限された、または不特定な研究を設計する傾向がある。 本研究では,これらのデシラタに対応するシミュレーションフレームワークであるPARCSを導入する。 我々は、よく知られた因果発見と欠落データ分析論文のシミュレーション研究を再現し、拡張する。
  論文  参考訳（メタデータ） (2023-09-19T10:50:35Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• Evaluating Causal Inference Methods [0.4588028371034407]
  我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。 我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
  論文  参考訳（メタデータ） (2022-02-09T00:21:22Z)
• A Survey on Causal Inference [64.45536158710014]
  因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。 観測データに対する様々な因果効果推定法が誕生した。
  論文  参考訳（メタデータ） (2020-02-05T21:35:29Z)

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。