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

• A Survey on State-of-the-art Deep Learning Applications and Challenges [0.0]
  ディープラーニングモデルの構築は、アルゴリズムの複雑さと現実世界の問題の動的な性質のため、難しい。 本研究の目的は,コンピュータビジョン,自然言語処理,時系列解析,広範コンピューティングにおける最先端のディープラーニングモデルを網羅的にレビューすることである。
  論文  参考訳（メタデータ） (2024-03-26T10:10:53Z)
• 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)
• Knowledge-enhanced Neural Machine Reasoning: A Review [67.51157900655207]
  既存の知識強化手法を2つの主要なカテゴリと4つのサブカテゴリに分類する新しい分類法を導入する。 我々は、現在のアプリケーションドメインを解明し、将来的な研究の展望について洞察を提供する。
  論文  参考訳（メタデータ） (2023-02-04T04:54:30Z)
• Theoretical Perspectives on Deep Learning Methods in Inverse Problems [115.93934028666845]
  我々は、生成前の先行、訓練されていないニューラルネットワークの先行、および展開アルゴリズムに焦点を当てる。 これらのトピックにおける既存の結果の要約に加えて、現在進行中の課題やオープンな問題も強調する。
  論文  参考訳（メタデータ） (2022-06-29T02:37:50Z)
• 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)
• Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
  強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。 近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。 転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
  論文  参考訳（メタデータ） (2020-09-16T18:38:54Z)
• Structure preserving deep learning [1.2263454117570958]
  深層学習は、大きな関心事のトピックとして、前景に浮かび上がっています。 ディープラーニングの適用には、いくつかの挑戦的な数学的問題がある。 既存のディープラーニング手法の構造を数学的に理解する努力が増えている。
  論文  参考訳（メタデータ） (2020-06-05T10:59:09Z)
• A Survey of Deep Learning for Scientific Discovery [13.372738220280317]
  私たちは、ディープラーニングにおけるコア問題における根本的なブレークスルーを、主にディープニューラルネットワークの進歩によって見てきた。 幅広い科学領域で収集されるデータの量は、サイズと複雑さの両方で劇的に増加しています。 これは、科学的な設定でディープラーニングを応用するための多くのエキサイティングな機会を示唆している。
  論文  参考訳（メタデータ） (2020-03-26T06:16:08Z)

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。