論文の概要: Deep Causal Learning: Representation, Discovery and Inference
- arxiv url: http://arxiv.org/abs/2211.03374v1
- Date: Mon, 7 Nov 2022 09:00:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 15:51:47.460443
- Title: Deep Causal Learning: Representation, Discovery and Inference
- Title(参考訳): 深い因果学習:表現、発見、推論
- Authors: Zizhen Deng, Xiaolong Zheng, Hu Tian, and Daniel Dajun Zeng
- Abstract要約: この記事では、ディープラーニングが因果学習にどのように貢献するかを包括的にレビューする。
我々は、因果科学の理論的拡張と応用拡大には深い因果学習が重要であることを指摘する。
- 参考スコア(独自算出の注目度): 4.667493820893912
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal learning has attracted much attention in recent years because
causality reveals the essential relationship between things and indicates how
the world progresses. However, there are many problems and bottlenecks in
traditional causal learning methods, such as high-dimensional unstructured
variables, combinatorial optimization problems, unknown intervention,
unobserved confounders, selection bias and estimation bias. Deep causal
learning, that is, causal learning based on deep neural networks, brings new
insights for addressing these problems. While many deep learning-based causal
discovery and causal inference methods have been proposed, there is a lack of
reviews exploring the internal mechanism of deep learning to improve causal
learning. In this article, we comprehensively review how deep learning can
contribute to causal learning by addressing conventional challenges from three
aspects: representation, discovery, and inference. We point out that deep
causal learning is important for the theoretical extension and application
expansion of causal science and is also an indispensable part of general
artificial intelligence. We conclude the article with a summary of open issues
and potential directions for future work.
- Abstract(参考訳): 因果関係が物事の本質的な関係を明らかにし、世界がどのように進行するかを示すため、因果学習は近年多くの注目を集めている。
しかし, 従来の因果学習手法には, 高次元の非構造変数, 組合せ最適化問題, 未知の介入, 未観測の共同設立者, 選択バイアス, 推定バイアスなど,多くの問題とボトルネックが存在する。
深層因果学習、すなわち深層ニューラルネットワークに基づく因果学習は、これらの問題に対処するための新たな洞察をもたらす。
深層学習に基づく因果関係の発見と因果関係の推論手法が数多く提案されているが、因果関係の学習を改善するための深層学習の内部メカニズムを探求するレビューは乏しい。
本稿では,表現,発見,推論という3つの側面から,従来の課題に対処することで,ディープラーニングが因果学習にどのように貢献できるかを包括的にレビューする。
深い因果学習は因果科学の理論的拡張と応用拡大に重要であり,汎用人工知能の必須部分でもある。
この記事はオープンイシューと今後の作業への潜在的な方向性を要約して締めくくります。
関連論文リスト
- 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) - Causal reasoning in typical computer vision tasks [11.95181390654463]
因果理論は、データバイアスの影響を受けない本質的な因果構造をモデル化し、突発的な相関を避けるのに有効である。
本稿では,一般的な視覚・視覚言語タスクにおける既存の因果的手法(セグメンテーション,オブジェクト検出,画像キャプションなど)を包括的にレビューすることを目的とする。
今後のロードマップも提案され、因果論の開発と他の複雑なシーンやシステムへの応用が促進される。
論文 参考訳(メタデータ) (2023-07-26T07:01:57Z) - Causal Reinforcement Learning: A Survey [57.368108154871]
強化学習は、不確実性の下でのシーケンシャルな決定問題の解決に不可欠なパラダイムである。
主な障害の1つは、強化学習エージェントが世界に対する根本的な理解を欠いていることである。
因果性は、体系的な方法で知識を形式化できるという点で顕著な利点がある。
論文 参考訳(メタデータ) (2023-07-04T03:00:43Z) - Causal Deep Learning [77.49632479298745]
因果性は、現実世界の問題を解決する方法を変える可能性がある。
しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。
我々は、因果性に関する新しい考え方を提案します。
論文 参考訳(メタデータ) (2023-03-03T19:19:18Z) - Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。
知識の抽出と知識の記憶という2つの側面から問題に取り組む。
提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
論文 参考訳(メタデータ) (2022-08-27T09:27:36Z) - Towards Causal Representation Learning [96.110881654479]
機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。
現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
論文 参考訳(メタデータ) (2021-02-22T15:26:57Z) - Optimism in the Face of Adversity: Understanding and Improving Deep
Learning through Adversarial Robustness [63.627760598441796]
深層学習における対角的強靭性の分野を詳細に検討する。
直感的な対向例と深層ニューラルネットワークの幾何学的関係を強調した。
セキュリティを超えた敵の堅牢性の主な応用について概説する。
論文 参考訳(メタデータ) (2020-10-19T16:03:46Z) - Off-the-shelf deep learning is not enough: parsimony, Bayes and
causality [0.8602553195689513]
材料科学における深層学習の実現に向けた機会と障害について論じる。
私たちは、ディープラーニングとAIは、因果関係が知られている分野に革命をもたらすのに十分な位置にあると論じています。
論文 参考訳(メタデータ) (2020-05-04T15:16:30Z)
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。