論文の概要: Realization of Causal Representation Learning to Adjust Confounding Bias in Latent Space

• arxiv url: http://arxiv.org/abs/2211.08573v1
• Date: Tue, 15 Nov 2022 23:35:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 16:43:54.123554
• Title: Realization of Causal Representation Learning to Adjust Confounding Bias in Latent Space
• Title（参考訳）: 潜在空間における共起バイアス調整のための因果表現学習の実現
• Authors: Jia Li, Xiang Li, Xiaowei Jia, Michael Steinbach, Vipin Kumar
• Abstract要約: ディープラーニングモデルを因果学習に適用することは、優れた効果と効率をもたらす。 いくつかの共起バイアスは、DLが自動的に調整できない因果的に形成されたデータの中に本質的に存在する。 潜在空間におけるグラフ因果学習を実現するための新しいフレームワークCRLを提案する。
• 参考スコア（独自算出の注目度）: 21.21912728827634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Applying Deep Learning (DL) models to graphical causal learning has brought outstanding effectiveness and efficiency but is still far from widespread use in domain sciences. In research of EHR (Electronic Healthcare Records), we realize that some confounding bias inherently exists in the causally formed data, which DL cannot automatically adjust. Trace to the source is because the Acyclic Causal Graph can be Multi-Dimensional, so the bias and causal learning happen in two subspaces, which makes it unobservable from the learning process. This paper initially raises the concept of Dimensionality for causal graphs. In our case, the 3-Dimensional DAG (Directed Acyclic Graph) space is defined by the axes of causal variables, the Absolute timeline, and Relative timelines; This is also the essential difference between Causality and Correlation problems. We propose a novel new framework Causal Representation Learning (CRL), to realize Graphical Causal Learning in latent space, which aims to provide general solutions for 1) the inherent bias adjustment and 2) the DL causal models generalization problem. We will also demonstrate the realization of CRL with originally designed architecture and experimentally confirm its feasibility.
• Abstract（参考訳）: ディープラーニング(DL)モデルをグラフィカル因果学習に適用することは、優れた効果と効率性をもたらしたが、ドメイン科学で広く使われるには程遠い。 EHR (Electronic Healthcare Records) の研究において, DL が自動的に調整できない因果的データには, 偏見が本質的に存在することがわかった。 ソースへのトレースは、非循環因果グラフが多次元である可能性があるため、バイアスと因果学習は2つの部分空間で起こるため、学習プロセスからは観察できない。 本稿ではまず,因果グラフの次元性の概念を提起する。 この場合、3次元dag(directed acyclic graph)空間は因果変数の軸、絶対タイムライン、相対タイムラインによって定義される。 本研究では,潜在空間におけるグラフィカルな因果学習を実現するための新しいフレームワークであるcausal representation learning (crl)を提案する。 1)本質的なバイアス調整と 2) DL因果モデル一般化問題。 また、当初設計したアーキテクチャによるCRLの実現を実証し、その実現可能性について実験的に確認する。

関連論文リスト

• Learning Directed Acyclic Graphs from Partial Orderings [9.387234607473054]
  有向非巡回グラフ(DAG)は、確率変数間の因果関係をモデル化するために一般的に用いられる。 本稿では,変数の部分的因果順序付けが可能である場合のDAG学習の中間的問題について考察する。 低次元および高次元問題に対する部分順序付けと効率的な推定アルゴリズムを活用するための一般的な推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-24T06:14:50Z)
• A U-turn on Double Descent: Rethinking Parameter Counting in Statistical Learning [68.76846801719095]
  二重降下がいつどこで起こるのかを正確に示し、その位置が本質的に閾値 p=n に結び付けられていないことを示す。 これは二重降下と統計的直観の間の緊張を解消する。
  論文  参考訳（メタデータ） (2023-10-29T12:05:39Z)
• It's an Alignment, Not a Trade-off: Revisiting Bias and Variance in Deep Models [51.66015254740692]
  深層学習に基づく分類モデルのアンサンブルでは, バイアスと分散がサンプルレベルで一致していることが示される。 我々はこの現象をキャリブレーションと神経崩壊という2つの理論的観点から研究する。
  論文  参考訳（メタデータ） (2023-10-13T17:06:34Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Optimization Variance: Exploring Generalization Properties of DNNs [83.78477167211315]
  ディープニューラルネットワーク(DNN)のテストエラーは、しばしば二重降下を示す。 そこで本研究では,モデル更新の多様性を測定するために,新しい測度である最適化分散(OV)を提案する。
  論文  参考訳（メタデータ） (2021-06-03T09:34:17Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Efficient Variational Bayesian Structure Learning of Dynamic Graphical Models [19.591265962713837]
  時間変化のグラフィカルモデルの推定は、様々な社会的、経済的、生物学的、工学的システムにおいて最重要となる。 既存の手法では、グラフの間隔と時間的滑らかさを制御するパラメータを広範囲にチューニングする必要がある。 我々はBADGEという低複素性チューニング自由ベイズアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-16T14:19:23Z)

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。