論文の概要: A Survey of Methods, Challenges and Perspectives in Causality

• arxiv url: http://arxiv.org/abs/2302.00293v2
• Date: Thu, 2 Feb 2023 05:24:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 16:46:18.818378
• Title: A Survey of Methods, Challenges and Perspectives in Causality
• Title（参考訳）: 因果関係の方法・課題・展望に関する調査
• Authors: Ga\"el Gendron, Michael Witbrock and Gillian Dobbie
• Abstract要約: 因果関係を明らかにするための体系的な方法を見つけることを目的としている。 機械学習モデルは、様々なタスクで成功している。 フィールドをまとめようという初期の試みと、将来の展望を示します。
• 参考スコア（独自算出の注目度）: 5.379526077268151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Causality field aims to find systematic methods for uncovering cause-effect relationships. Such methods can find applications in many research fields, justifying a great interest in this domain. Machine Learning models have shown success in a large variety of tasks by extracting correlation patterns from high-dimensional data but still struggle when generalizing out of their initial distribution. As causal engines aim to learn mechanisms that are independent from a data distribution, combining Machine Learning with Causality has the potential to bring benefits to the two fields. In our work, we motivate this assumption and provide applications. We first perform an extensive overview of the theories and methods for Causality from different perspectives. We then provide a deeper look at the connections between Causality and Machine Learning and describe the challenges met by the two domains. We show the early attempts to bring the fields together and the possible perspectives for the future. We finish by providing a large variety of applications for techniques from Causality.
• Abstract（参考訳）: 因果関係を明らかにするための体系的な方法を見つけることを目的としている。 このような手法は、多くの研究分野に応用され、この分野に対する大きな関心を正当化することができる。 機械学習モデルは、高次元データから相関パターンを抽出することで、様々なタスクで成功したが、初期分布を一般化する際にはまだ苦労している。 因果エンジンはデータ配信から独立したメカニズムを学習することを目的としているため、機械学習と因果関係を組み合わせることで、2つの分野にメリットをもたらす可能性がある。 私たちの仕事では、この仮定にモチベーションを与え、アプリケーションを提供します。 まず、様々な観点から因果関係の理論と方法について概観する。 次に、因果関係と機械学習の関係をより深く観察し、2つのドメインが直面する課題について説明する。 フィールドをまとめようという初期の試みと、将来の展望を示します。 私たちはCausalityのテクニックに対して、さまざまなアプリケーションを提供することで終了します。

関連論文リスト

• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• Unified View of Grokking, Double Descent and Emergent Abilities: A Perspective from Circuits Competition [83.13280812128411]
  近年の研究では、グラッキング、二重降下、大規模言語モデルにおける創発的能力など、ディープラーニングにおける興味深い現象が明らかにされている。 本稿では,記憶回路と一般化回路の競合に着目し,これら3つの現象の統一的な見方を提供する包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:14:36Z)
• 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)
• Towards Causal Foundation Model: on Duality between Causal Inference and Attention [18.046388712804042]
  治療効果推定のための因果認識基盤モデルの構築に向けて第一歩を踏み出す。 我々はCInA(Causal Inference with Attention)と呼ばれる新しい理論的に正当化された手法を提案する。
  論文  参考訳（メタデータ） (2023-10-01T22:28:34Z)
• Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms [15.483478537540385]
  本稿では,原因発見タスクを変数のパラダイムに従って3つのタイプに分割する。 次に、各タスクに関する関連するデータセットと、同時に構築された最終的な因果モデルを定義し、インスタンス化する。 本稿では、因果発見分野における現在の研究ギャップについて、様々な観点からのロードマップを提案する。
  論文  参考訳（メタデータ） (2022-09-14T01:52:17Z)
• Causal Reasoning Meets Visual Representation Learning: A Prospective Study [117.08431221482638]
  解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。 人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。 本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
  論文  参考訳（メタデータ） (2022-04-26T02:22:28Z)
• Self-Supervised Representation Learning: Introduction, Advances and Challenges [125.38214493654534]
  自己教師付き表現学習手法は、大きな注釈付きデータセットを必要とせずに強力な機能学習を提供することを目的としている。 本稿では、この活気ある領域について、鍵となる概念、アプローチの4つの主要なファミリーと関連する技術の状態、そして、データの多様性に自己監督手法を適用する方法について紹介する。
  論文  参考訳（メタデータ） (2021-10-18T13:51:22Z)

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。