論文の概要: On the Opportunity of Causal Deep Generative Models: A Survey and Future
Directions
- arxiv url: http://arxiv.org/abs/2301.12351v1
- Date: Sun, 29 Jan 2023 04:10:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 17:45:13.674658
- Title: On the Opportunity of Causal Deep Generative Models: A Survey and Future
Directions
- Title(参考訳): 因果的深層生成モデルの機会について--調査と今後の方向性
- Authors: Guanglin Zhou and Lina Yao and Xiwei Xu and Chen Wang and Liming Zhu
and Kun Zhang
- Abstract要約: 本稿では、構造因果モデル(SCM)と深部生成モデルを組み合わせた因果的深部生成モデル(CGM)について包括的に調査する。
本稿では,CGMの最近の進歩を概観し,これらを生成型に基づいて分類し,どのように因果関係が深層生成モデルの系に導入されるかについて議論する。
- 参考スコア(独自算出の注目度): 43.70710365751321
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep generative models have gained popularity in recent years due to their
ability to accurately replicate inherent empirical distributions and yield
novel samples. In particular, certain advances are proposed wherein the model
engenders data examples following specified attributes. Nevertheless, several
challenges still exist and are to be overcome, i.e., difficulty in
extrapolating out-of-sample data and insufficient learning of disentangled
representations. Structural causal models (SCMs), on the other hand,
encapsulate the causal factors that govern a generative process and
characterize a generative model based on causal relationships, providing
crucial insights for addressing the current obstacles in deep generative
models. In this paper, we present a comprehensive survey of Causal deep
Generative Models (CGMs), which combine SCMs and deep generative models in a
way that boosts several trustworthy properties such as robustness, fairness,
and interpretability. We provide an overview of the recent advances in CGMs,
categorize them based on generative types, and discuss how causality is
introduced into the family of deep generative models. We also explore potential
avenues for future research in this field.
- Abstract(参考訳): 深層生成モデルは、固有の経験的分布を正確に再現し、新しいサンプルを生産する能力によって近年人気を集めている。
特に、モデルが特定の属性に従うデータ例を包含する、ある種の進歩が提案されている。
それでも、いくつかの課題が残っており、すなわち、サンプル外のデータを外挿することの難しさと、非絡み合った表現の学習が不十分である。
一方、構造因果モデル(scms)は生成過程を支配する因果因子をカプセル化し、因果関係に基づく生成モデルの特徴付けを行い、深層生成モデルにおける現在の障害に対処する上で重要な洞察を与える。
本稿では,scmと深層生成モデルを組み合わせた因果的深層生成モデル(cgms)の包括的調査を行い,ロバスト性,公平性,解釈性などの信頼性を高める手法を提案する。
本稿では,CGMの最近の進歩を概観し,生成型に基づいて分類し,どのように因果関係が深層生成モデルの系に導入されるかについて議論する。
この分野での今後の研究の道のりについても検討する。
関連論文リスト
- On the Challenges and Opportunities in Generative AI [135.2754367149689]
現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。
本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
論文 参考訳(メタデータ) (2024-02-28T15:19:33Z) - Unmasking Dementia Detection by Masking Input Gradients: A JSM Approach
to Model Interpretability and Precision [1.5501208213584152]
本稿では,多段階進行に対するアルツハイマー病(AD)分類の解釈可能なマルチモーダルモデルを導入し,ヤコビアン・サリエンシ・マップ(JSM)をモダリティに依存しないツールとして組み込んだ。
アブレーション研究を含む評価では、モデルデバッグと解釈にJSMを用いることの有効性が示され、モデル精度も著しく向上した。
論文 参考訳(メタデータ) (2024-02-25T06:53:35Z) - Discovery of the Hidden World with Large Language Models [100.38157787218044]
COAT: Causal representatiOn AssistanTについて紹介する。
COATは、非構造化データから潜在的な因果因子を抽出する因子プロジェクタとしてLLMを組み込んでいる。
LLMはデータ値の収集に使用される追加情報を提供するよう指示することもできる。
論文 参考訳(メタデータ) (2024-02-06T12:18:54Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [85.67870425656368]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳(メタデータ) (2023-10-24T07:46:10Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - From Identifiable Causal Representations to Controllable Counterfactual
Generation: A Survey on Causal Generative Modeling [18.318692567104378]
因果モデル(Causal model)は、分散シフトロバスト性(英語版)、公正性(英語版)、相互運用性(英語版)など、深い生成モデルに有益な性質を提供する。
フェアネス、プライバシ、アウト・オブ・ディストリビューションの一般化、精密医療における因果生成モデルの基本的な理論、定式化、欠点、データセット、メトリクス、および応用に焦点を当てる。
論文 参考訳(メタデータ) (2023-10-17T05:45:32Z) - On the causality-preservation capabilities of generative modelling [0.0]
GANの因果保存能力と生成した合成データが因果質問に確実に答えられるかどうかを検討する。
これは、GANによって生成される合成データの因果解析を、より寛大な仮定で行うことによって行われる。
論文 参考訳(メタデータ) (2023-01-03T14:09:15Z) - CausalEGM: a general causal inference framework by encoding generative
modeling [6.7136914531247065]
生成モデルを用いて因果効果を推定するための一般的なフレームワークであるtextitCausalEGM$を開発する。
非整合性のある潜在的な結果の枠組みの下では、高次元の共創者空間と低次元の潜在空間の間の双方向変換を確立する。
低次元の潜伏特性を条件にすることで、CausalEGMは個体ごとの因果効果や集団内の平均因果効果を推定することができる。
論文 参考訳(メタデータ) (2022-12-08T20:40:57Z) - Understanding Overparameterization in Generative Adversarial Networks [56.57403335510056]
generative adversarial network (gans) は、非凹型ミニマックス最適化問題を訓練するために用いられる。
ある理論は、グローバル最適解に対する勾配降下 (gd) の重要性を示している。
ニューラルネットワークジェネレータと線形判別器を併用した多層GANにおいて、GDAは、基礎となる非凹面min-max問題の大域的なサドル点に収束することを示す。
論文 参考訳(メタデータ) (2021-04-12T16:23:37Z)
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。