論文の概要: A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms

• arxiv url: http://arxiv.org/abs/2209.06367v1
• Date: Wed, 14 Sep 2022 01:52:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-15 13:09:44.726520
• Title: A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms
• Title（参考訳）: 異なる可変パラダイムにおける深層学習因果発見の概観とロードマップ
• Authors: Hang Chen, Keqing Du, Xinyu Yang, Chenguang Li
• Abstract要約: 本稿では,原因発見タスクを変数のパラダイムに従って3つのタイプに分割する。 次に、各タスクに関する関連するデータセットと、同時に構築された最終的な因果モデルを定義し、インスタンス化する。 本稿では、因果発見分野における現在の研究ギャップについて、様々な観点からのロードマップを提案する。
• 参考スコア（独自算出の注目度）: 15.483478537540385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding causality helps to structure interventions to achieve specific goals and enables predictions under interventions. With the growing importance of learning causal relationships, causal discovery tasks have transitioned from using traditional methods to infer potential causal structures from observational data to the field of pattern recognition involved in deep learning. The rapid accumulation of massive data promotes the emergence of causal search methods with brilliant scalability. Existing summaries of causal discovery methods mainly focus on traditional methods based on constraints, scores and FCMs, there is a lack of perfect sorting and elaboration for deep learning-based methods, also lacking some considers and exploration of causal discovery methods from the perspective of variable paradigms. Therefore, we divide the possible causal discovery tasks into three types according to the variable paradigm and give the definitions of the three tasks respectively, define and instantiate the relevant datasets for each task and the final causal model constructed at the same time, then reviews the main existing causal discovery methods for different tasks. Finally, we propose some roadmaps from different perspectives for the current research gaps in the field of causal discovery and point out future research directions.
• Abstract（参考訳）: 因果関係を理解することは、特定の目標を達成するために介入を構築するのに役立つ。 因果関係の学習の重要性が高まるにつれて、因果発見タスクは従来の手法から、観察データから深層学習に関わるパターン認識の分野へと移行してきた。 大規模データの急速な蓄積は,スケーラビリティに優れた因果探索手法の出現を促進する。 既存の因果発見手法の要約は、制約、スコア、FCMに基づく従来の手法に重点を置いているが、深層学習に基づく手法には完全なソートや実験が欠如しており、また、変数パラダイムの観点から因果発見手法の考察や探求が欠如している。 そこで,本研究では,3種類の因果発見タスクを変数パラダイムに従って分割し,それぞれに3つのタスクの定義を与え,各タスクの関連するデータセットと,同時に構築された最終因果モデルを定義してインスタンス化し,各タスクの主要な因果発見手法をレビューする。 最後に、因果発見分野における現在の研究ギャップに対する異なる視点からのロードマップを提案し、今後の研究方向性を指摘する。

関連論文リスト

• Detecting and Measuring Confounding Using Causal Mechanism Shifts [31.625339624279686]
  因果性は非現実的で実証不可能である。 既存の手法は、基礎となる因果生成過程について強いパラメトリックな仮定を行い、共起変数の識別可能性を保証する。 本稿では,コンファウンディングの検出と測定のための包括的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-26T13:44:22Z)
• Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
  因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。 教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。 その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-08-01T09:11:08Z)
• Towards Causal Foundation Model: on Duality between Causal Inference and Attention [18.046388712804042]
  治療効果推定のための因果認識基盤モデルの構築に向けて第一歩を踏み出す。 我々はCInA(Causal Inference with Attention)と呼ばれる新しい理論的に正当化された手法を提案する。
  論文  参考訳（メタデータ） (2023-10-01T22:28:34Z)
• Nonlinearity, Feedback and Uniform Consistency in Causal Structural Learning [0.8158530638728501]
  Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。 この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
  論文  参考訳（メタデータ） (2023-08-15T01:23:42Z)
• A Diachronic Analysis of Paradigm Shifts in NLP Research: When, How, and Why? [84.46288849132634]
  本稿では、因果発見と推論技術を用いて、科学分野における研究トピックの進化を分析するための体系的な枠組みを提案する。 我々は3つの変数を定義し、NLPにおける研究トピックの進化の多様な側面を包含する。 我々は因果探索アルゴリズムを用いてこれらの変数間の因果関係を明らかにする。
  論文  参考訳（メタデータ） (2023-05-22T11:08:00Z)
• A Survey on Causal Discovery Methods for I.I.D. and Time Series Data [4.57769506869942]
  因果発見(CD)アルゴリズムは、関連する観測データからシステムの変数間の因果関係を識別することができる。 本稿では、独立および同一分散データ(I.I.D.)データと時系列データの両方から因果発見を行うために設計された手法について広範な議論を行う。
  論文  参考訳（メタデータ） (2023-03-27T09:21:41Z)
• Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• 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。