論文の概要: Causal Abstraction with Soft Interventions

• arxiv url: http://arxiv.org/abs/2211.12270v1
• Date: Tue, 22 Nov 2022 13:42:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 17:45:49.715709
• Title: Causal Abstraction with Soft Interventions
• Title（参考訳）: ソフトインターベンションによる因果的抽象化
• Authors: Riccardo Massidda, Atticus Geiger, Thomas Icard, Davide Bacciu
• Abstract要約: 因果抽象化は、複数の因果モデルがどのように異なる詳細レベルで同じシステムを表現できるかを記述する理論を提供する。 我々は因果的抽象化を「ソフト」な介入に拡張し、新しい因果的接続を追加することなく変数に非定数関数を割り当てる。
• 参考スコア（独自算出の注目度）: 15.143508016472184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal abstraction provides a theory describing how several causal models can represent the same system at different levels of detail. Existing theoretical proposals limit the analysis of abstract models to "hard" interventions fixing causal variables to be constant values. In this work, we extend causal abstraction to "soft" interventions, which assign possibly non-constant functions to variables without adding new causal connections. Specifically, (i) we generalize $\tau$-abstraction from Beckers and Halpern (2019) to soft interventions, (ii) we propose a further definition of soft abstraction to ensure a unique map $\omega$ between soft interventions, and (iii) we prove that our constructive definition of soft abstraction guarantees the intervention map $\omega$ has a specific and necessary explicit form.
• Abstract（参考訳）: 因果抽象は、複数の因果モデルが異なる詳細レベルで同じシステムをどのように表現できるかを記述する理論を提供する。 既存の理論的提案では、抽象モデルの分析を因果変数を定数に固定する「ハード」介入に限定している。 本研究では,因果抽象を「ソフト」な介入に拡張し,新たな因果接続を付加することなく変数に非定数関数を割り当てる。 具体的には (i)beckersおよびhalpern(2019)からの$\tau$-abstractionをソフト介入に一般化する。 (ii)ソフト・インターベンション間のユニークなマップ$\omega$を確保するためのソフト・抽象化のさらなる定義を提案する。 (iii)ソフト抽象化のコンストラクティブな定義により、介入写像 $\omega$ が特定の明示的な形式を持つことが保証される。

関連論文リスト

• Counterfactual Generation from Language Models [64.55296662926919]
  対実的推論が介入と概念的に異なることを示す。 そこで本研究では,真の文字列反事実を生成するためのフレームワークを提案する。 我々の実験は、このアプローチが有意義な反事実を生み出すことを示した。
  論文  参考訳（メタデータ） (2024-11-11T17:57:30Z)
• 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)
• Quantifying Consistency and Information Loss for Causal Abstraction Learning [16.17846886492361]
  我々は、エージェントがそのようなトレードオフを評価するために使用できる介入措置のファミリーを紹介する。 我々は,異なるタスクに適した4つの尺度を考察し,その特性を分析し,因果的抽象を評価・学習するためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-07T19:10:28Z)
• A Robustness Analysis of Blind Source Separation [91.3755431537592]
  ブラインドソース分離(BSS)は、変換$f$が可逆であるが未知であるという条件の下で、その混合である$X=f(S)$から観測されていない信号を復元することを目的としている。 このような違反を分析し、その影響を$X$から$S$のブラインドリカバリに与える影響を定量化するための一般的なフレームワークを提案する。 定義された構造的仮定からの偏差に対する一般的なBSS溶出は、明示的な連続性保証という形で、利益的に分析可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-17T16:30:51Z)
• Towards Computing an Optimal Abstraction for Structural Causal Models [16.17846886492361]
  我々は抽象学習の問題に焦点をあてる。 我々は,情報損失の具体的な尺度を提案し,その新しい抽象化の学習への貢献について説明する。
  論文  参考訳（メタデータ） (2022-08-01T14:35:57Z)
• Abstraction between Structural Causal Models: A Review of Definitions and Properties [0.0]
  構造因果モデル (Structure causal model, SCM) は因果系を扱うための広範な形式主義である。 本稿では,SCM間の写像の形式的特性に着目し,これらの特性を適用可能な異なる層(構造的,分布的)を強調した。
  論文  参考訳（メタデータ） (2022-07-18T13:47:20Z)
• Towards a Grounded Theory of Causation for Embodied AI [12.259552039796027]
  既存のフレームワークは、どの行動方針や状態空間の物理的変換を介入とみなすべきかを示すものではありません。 このフレームワークは、例えばポリシーを実行するエージェントによって誘導される状態空間の変換としてアクションを記述する。 これにより、マイクロ状態空間の変換とその抽象モデルの両方を均一に記述することができる。
  論文  参考訳（メタデータ） (2022-06-28T12:56:43Z)
• Leveraging Unlabeled Data for Entity-Relation Extraction through Probabilistic Constraint Satisfaction [54.06292969184476]
  シンボリックドメイン知識の存在下でのエンティティ関係抽出の問題を研究する。 本手法では,論理文の正確な意味を捉える意味的損失を用いる。 低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-20T00:16:29Z)
• Constrained Abstractive Summarization: Preserving Factual Consistency with Constrained Generation [93.87095877617968]
  本稿では,抽象要約の現実的一貫性を保ちつつ,制約付き抽象要約(CAS)を提案する。 我々は、CASを満たすために、一般的に自己回帰生成モデルに適用される語彙制約付き復号法を採用する。 対話的要約において1つの手動制約のみを使用する場合、最大13.8ROUGE-2ゲインを観測する。
  論文  参考訳（メタデータ） (2020-10-24T00:27:44Z)
• Efficient Intervention Design for Causal Discovery with Latents [30.721629140295178]
  我々は、潜伏変数の存在下で因果グラフを復元することを検討する。 本研究では,(1)変数のサブセットに対する介入のコストが線形なモデルである線形コストモデルと,(2)介入のコストがどの変数であっても同一であるアイデンティティコストモデルとを考察する。
  論文  参考訳（メタデータ） (2020-05-24T12:53:48Z)
• Invariant Causal Prediction for Block MDPs [106.63346115341862]
  環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。 本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T21:03:01Z)

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。