論文の概要: A Layered Architecture for Universal Causality
- arxiv url: http://arxiv.org/abs/2212.08981v1
- Date: Sun, 18 Dec 2022 00:53:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 15:35:41.917175
- Title: A Layered Architecture for Universal Causality
- Title(参考訳): 普遍因果性のための階層アーキテクチャ
- Authors: Sridhar Mahadevan
- Abstract要約: UCLA(Universal Causality Layered Architecture)と呼ばれる階層階層アーキテクチャを提案する。
最上位のレベルでは、因果介入は順序数の単純圏を用いてモデル化される。
第2層では、因果モデルはグラフ型カテゴリで定義される。
- 参考スコア(独自算出の注目度): 4.119151469153588
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a layered hierarchical architecture called UCLA (Universal
Causality Layered Architecture), which combines multiple levels of categorical
abstraction for causal inference. At the top-most level, causal interventions
are modeled combinatorially using a simplicial category of ordinal numbers. At
the second layer, causal models are defined by a graph-type category. The
non-random ``surgical" operations on causal structures, such as edge deletion,
are captured using degeneracy and face operators from the simplicial layer
above. The third categorical abstraction layer corresponds to the data layer in
causal inference. The fourth homotopy layer comprises of additional structure
imposed on the instance layer above, such as a topological space, which enables
evaluating causal models on datasets. Functors map between every pair of layers
in UCLA. Each functor between layers is characterized by a universal arrow,
which defines an isomorphism between every pair of categorical layers. These
universal arrows define universal elements and representations through the
Yoneda Lemma, and in turn lead to a new category of elements based on a
construction introduced by Grothendieck. Causal inference between each pair of
layers is defined as a lifting problem, a commutative diagram whose objects are
categories, and whose morphisms are functors that are characterized as
different types of fibrations. We illustrate the UCLA architecture using a
range of examples, including integer-valued multisets that represent a
non-graphical framework for conditional independence, and causal models based
on graphs and string diagrams using symmetric monoidal categories. We define
causal effect in terms of the homotopy colimit of the nerve of the category of
elements.
- Abstract(参考訳): 我々は,ucla(universal causality layered architecture)と呼ばれる階層型階層型アーキテクチャを提案する。
最上位のレベルでは、因果的介入は順序数の単純圏を用いて組合せ的にモデル化される。
第2層では、因果モデルはグラフ型カテゴリで定義される。
エッジ削除のような因果構造に対する非ランダムな `surgical" 操作は、デジェネリシーと上記の単純な層からの顔演算子を使ってキャプチャされる。
第3のカテゴリ抽象層は因果推論におけるデータ層に対応する。
第4のホモトピー層は、トポロジ空間のような上記のインスタンス層に付加的な構造を持ち、データセット上の因果モデルを評価することができる。
ファンクターはUCLAのすべてのレイヤ間をマップする。
層間の各関手は普遍矢印によって特徴づけられ、各圏の層間の同型を定義する。
これらの普遍矢印は Yoneda Lemma を通じて普遍的要素と表現を定義し、グロタンディークによって導入された構成に基づく新しい種類の要素へと導かれる。
それぞれの層間の因果推論は、対象が圏である可換図式であり、射が異なる種類のファイバーとして特徴づけられる関手であるリフト問題として定義される。
条件付き独立性のための非グラフ型フレームワークを表す整数値多重集合や、対称モノイド圏を用いたグラフや文字列図に基づく因果モデルなど、uclaアーキテクチャを例に挙げる。
我々は、要素の分類の神経のホモトピーコリミットの観点から因果効果を定義する。
関連論文リスト
- Emergent effects of scaling on the functional hierarchies within large language models [0.0]
小型モデルによる解析(Llama-3.2-3b; 28層)
アイテムレベルのセマンティクスは、最も早く強く表される(層2-7)、次に2-item関係(層8-12)、続いて4-item類似(層10-15)
深いレイヤは、意味のある抽象化なしで、コンテキストウィンドウの初期部分から情報を圧縮する。
論文 参考訳(メタデータ) (2025-01-13T14:27:39Z) - Unifying Causal Inference and Reinforcement Learning using Higher-Order
Category Theory [4.119151469153588]
本稿では、強化学習における因果関係モデルと予測状態表現モデルの構造発見のための統一的な定式化を提案する。
具体的には、単純なオブジェクトを用いて、両方の設定で構造発見をモデル化する。
論文 参考訳(メタデータ) (2022-09-13T19:04:18Z) - Occlusion-Aware Instance Segmentation via BiLayer Network Architectures [73.45922226843435]
本稿では,2層畳み込みネットワーク(BCNet)を提案する。このネットワークでは,トップ層がオブジェクト(オブオーバ)を検出し,ボトム層が部分的にオブオーバドされたインスタンス(オブオーバド)を推測する。
一般的な畳み込みネットワーク設計,すなわちFCN(Fully Convolutional Network)とGCN(Graph Convolutional Network)を用いた2層構造の有効性について検討する。
論文 参考訳(メタデータ) (2022-08-08T21:39:26Z) - On The Universality of Diagrams for Causal Inference and The Causal
Reproducing Property [4.119151469153588]
本稿では、因果推論の根底にある普遍性を定義する圏論に基づく枠組みを提案する。
普遍因果推論における2つの基礎的結果を示す。
論文 参考訳(メタデータ) (2022-07-06T18:54:15Z) - Deep Hierarchical Semantic Segmentation [76.40565872257709]
階層的セマンティックセマンティックセグメンテーション(HSS)は、クラス階層の観点で視覚的観察を構造化、ピクセル単位で記述することを目的としている。
HSSNは、HSSを画素単位のマルチラベル分類タスクとしてキャストし、現在のセグメンテーションモデルに最小限のアーキテクチャ変更をもたらすだけである。
階層構造によって引き起こされるマージンの制約により、HSSNはピクセル埋め込み空間を再評価し、よく構造化されたピクセル表現を生成する。
論文 参考訳(メタデータ) (2022-03-27T15:47:44Z) - Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic
Cones [64.75766944882389]
知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。
特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。
我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
論文 参考訳(メタデータ) (2021-10-28T07:16:08Z) - Sawtooth Factorial Topic Embeddings Guided Gamma Belief Network [49.458250193768826]
本稿では,文書の深部生成モデルであるGBNのソートゥース要素埋め込みについて述べる。
単語も話題も同じ次元の埋め込みベクトルとして表現される。
我々のモデルは、より深い解釈可能なトピックを抽出する他のニューラルネットワークモデルよりも優れています。
論文 参考訳(メタデータ) (2021-06-30T10:14:57Z) - Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。
階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文 参考訳(メタデータ) (2020-12-16T04:13:26Z) - A Fully Hyperbolic Neural Model for Hierarchical Multi-Class
Classification [7.8176853587105075]
双曲空間は、記号データの階層的表現を学ぶために数学的に魅力的なアプローチを提供する。
本研究は,双曲空間におけるすべての操作を実行する多クラス多ラベル分類のための完全双曲モデルを提案する。
徹底的な分析では、最終予測における各コンポーネントの影響に光を当て、ユークリッド層との統合の容易さを示している。
論文 参考訳(メタデータ) (2020-10-05T14:42:56Z) - Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。
実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
論文 参考訳(メタデータ) (2020-09-12T17:36:53Z) - Equivariant Maps for Hierarchical Structures [17.931059591895984]
階層構造の対称性は、ビルディングブロックの対称性の「死積」であることを示す。
点雲を酸化することにより、データに翻訳と置換の対称性の階層を課す。
私たちは、Semantic3D、S3DIS、vKITTIに関する最新の技術について報告します。
論文 参考訳(メタデータ) (2020-06-05T18:42:12Z)
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。