論文の概要: Realization of Causal Representation Learning and Redefined DAG for Causal AI

• arxiv url: http://arxiv.org/abs/2211.08573v6
• Date: Wed, 12 Apr 2023 22:06:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 20:23:03.682632
• Title: Realization of Causal Representation Learning and Redefined DAG for Causal AI
• Title（参考訳）: 因果AIのための因果表現学習と再定義DAGの実現
• Authors: Jia Li, Xiang Li, Xiaowei Jia, Michael Steinbach, Vipin Kumar
• Abstract要約: 因果DAGは通常2次元平面に存在し、相関変化や因果効果を区別しない。 DLベースのオートエンコーダは、因果効果を反映する潜在空間における個々のレベルの特徴変化として表現することができる。
• 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: Causal DAG(Directed Acyclic Graph) usually lies in a 2D plane without distinguishing correlation changes and causal effects. Also, the causal effect is often approximately estimated by averaging the population's correlation changes. Now, AI(Artificial Intelligence) enables much larger-scale structural modeling, whose complex hidden confoundings make the approximation errors no longer ignorable but can snowball to considerable population-level Causal Representation Bias. Such bias has caused significant problems: ungeneralizable causal models, unrevealed individual-level features, not utilizable causal knowledge in DL(Deep Learning), etc. In short, DAG must be redefined to enable a new framework for causal AI. Observational time series can only reflect correlation changes in statistics. But the DL-based autoencoder can represent them as individual-level feature changes in latent space to reflect causal effects. In this paper, we introduce the redefined do-DAG concept and propose Causal Representation Learning (CRL) framework as the generic solution, along with a novel architecture to realize CRL and experimentally verify its feasibility.
• Abstract（参考訳）: 因果DAG(Directed Acyclic Graph)は通常、相関変化や因果効果を区別せずに2次元平面上に位置する。 また、因果効果は人口の相関変化の平均化によって推定されることが多い。 現在、AI(Artificial Intelligence)はより大規模な構造モデリングを可能にしており、複雑な隠れた境界により、近似誤差はもはや無視できないが、かなりの人口レベルの因果表現バイアスに雪を降らせることができる。 このようなバイアスは、一般化不能因果モデル、未発見個別特徴、DL(Deep Learning)における有効因果知識など、重大な問題を引き起こしている。 簡単に言うと、DAGは因果AIの新しいフレームワークを可能にするために再定義されなければならない。 観測時系列は統計の相関変化のみを反映する。 しかし、DLベースのオートエンコーダは、因果効果を反映する潜在空間における個々のレベルの特徴変化として表現することができる。 本稿では、再定義されたdo-DAGの概念を導入し、CRLを実現するための新しいアーキテクチャと、その実現可能性について実験的に検証する、Causal Representation Learning (CRL)フレームワークを提案する。

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。