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

• A Survey of Out-of-distribution Generalization for Graph Machine Learning from a Causal View [5.651037052334014]
  グラフ機械学習(GML)は、幅広いタスクでうまく適用されている。 GMLは、アウト・オブ・ディストリビューション(OOD)データを一般化する上で大きな課題に直面している。 近年の進歩は、これらの一般化の課題を克服する上で、因果関係によるアプローチの重要な役割を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-09-15T20:41:18Z)
• Deep Generative Models through the Lens of the Manifold Hypothesis: A Survey and New Connections [15.191007332508198]
  本研究では,低内在次元のデータモデリングにおいて,高周囲次元の確率の数値的不安定性は避けられないことを示す。 次に、オートエンコーダの学習表現上のDGMは、ワッサーシュタイン距離をほぼ最小化するものとして解釈できることを示す。
  論文  参考訳（メタデータ） (2024-04-03T18:00:00Z)
• 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)
• The Essential Role of Causality in Foundation World Models for Embodied AI [102.75402420915965]
  身体的なAIエージェントは、さまざまな現実世界環境で新しいタスクを実行する能力を必要とします。 現在の基礎モデルは物理的相互作用を正確にモデル化することができないため、Embodied AIには不十分である。 因果関係の研究は、検証世界モデルの構築に寄与する。
  論文  参考訳（メタデータ） (2024-02-06T17:15:33Z)
• Targeted Reduction of Causal Models [55.11778726095353]
  因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。 本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。 複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
  論文  参考訳（メタデータ） (2023-11-30T15:46:22Z)
• 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 [17.074858228123706]
  基本的な理論、方法論、欠点、データセット、メトリクスに重点を置いています。 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、生物科学における因果生成モデルの応用について述べる。
  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)
• 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。