論文の概要: Measuring axiomatic soundness of counterfactual image models
- arxiv url: http://arxiv.org/abs/2303.01274v1
- Date: Thu, 2 Mar 2023 13:59:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 14:12:03.221952
- Title: Measuring axiomatic soundness of counterfactual image models
- Title（参考訳）: 対物画像モデルの公理的音響性の測定
- Authors: Miguel Monteiro and Fabio De Sousa Ribeiro and Nick Pawlowski and
Daniel C. Castro and Ben Glocker
- Abstract要約: 本稿では,画像の反現実性を評価するための一般的な枠組みを提案する。
我々は,反事実を入力変数とその親と反事実親の関数として定義する。
本稿では、これらの指標を用いて、異なる近似反事実推論モデルの比較と選択を行う方法について述べる。
- 参考スコア（独自算出の注目度）: 24.749839878737884
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a general framework for evaluating image counterfactuals. The
power and flexibility of deep generative models make them valuable tools for
learning mechanisms in structural causal models. However, their flexibility
makes counterfactual identifiability impossible in the general case. Motivated
by these issues, we revisit Pearl's axiomatic definition of counterfactuals to
determine the necessary constraints of any counterfactual inference model:
composition, reversibility, and effectiveness. We frame counterfactuals as
functions of an input variable, its parents, and counterfactual parents and use
the axiomatic constraints to restrict the set of functions that could represent
the counterfactual, thus deriving distance metrics between the approximate and
ideal functions. We demonstrate how these metrics can be used to compare and
choose between different approximate counterfactual inference models and to
provide insight into a model's shortcomings and trade-offs.
- Abstract（参考訳）: 画像の反事実を評価するための一般的な枠組みを提案する。
深層生成モデルのパワーと柔軟性は、構造因果モデルのメカニズムを学ぶための貴重なツールとなる。
しかし、その柔軟性は、一般的な場合、反実的識別性を不可能にする。
これらの問題に触発されて、我々は、反現実的推論モデル(合成、可逆性、有効性)に必要な制約を決定するために、パールの反現実的定義を再考する。
対物は、入力変数、その親、および対物親の関数として構成し、公理的制約を用いて、対物関係を表すことができる関数の集合を制限し、したがって近似関数と理想関数の間の距離メトリクスを導出する。
我々は、これらのメトリクスがどのようにして、異なる近似カウンターファクト推論モデルの比較と選択に利用できるかを示し、モデルの欠点とトレードオフに関する洞察を提供する。
関連論文リスト
- Counterfactual Generative Modeling with Variational Causal Inference [1.9287470458589586]
本稿では, 逆ファクト生成モデリングタスクを扱うための変分ベイズ因果推論フレームワークを提案する。
実験では, 反ファクト生成モデルにおける最先端モデルと比較して, フレームワークの利点を実証する。
論文 参考訳（メタデータ） (2024-10-16T16:44:12Z) - Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse
Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。
本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。
学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
論文 参考訳（メタデータ） (2024-01-10T02:38:21Z) - Towards Characterizing Domain Counterfactuals For Invertible Latent Causal Models [15.817239008727789]
本研究では,異なるドメインで生成された場合,サンプルがどのようなものであったのかを仮定した,ドメイン反事実と呼ばれる特定のタイプの因果クエリを解析する。
本研究では, 潜在構造因果モデル (SCM) の回復は, ドメイン・デファクト・デファクトを推定するために不要であることを示す。
また、モデル生成過程を単純化し、生成モデル推定を行うための理論的基盤となる実用的なアルゴリズムも開発する。
論文 参考訳（メタデータ） (2023-06-20T04:19:06Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - Variable Importance Matching for Causal Inference [73.25504313552516]
これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。
Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。
LASSO を用いて Model-to-Match フレームワークを運用する。
論文 参考訳（メタデータ） (2023-02-23T00:43:03Z) - Logical Satisfiability of Counterfactuals for Faithful Explanations in
NLI [60.142926537264714]
本稿では, 忠実度スルー・カウンタファクトの方法論について紹介する。
これは、説明に表される論理述語に基づいて、反実仮説を生成する。
そして、そのモデルが表現された論理と反ファクトの予測が一致しているかどうかを評価する。
論文 参考訳（メタデータ） (2022-05-25T03:40:59Z) - Exploring the Trade-off between Plausibility, Change Intensity and
Adversarial Power in Counterfactual Explanations using Multi-objective
Optimization [73.89239820192894]
自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。
本稿では, 対実例生成のための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2022-05-20T15:02:53Z) - Transport-based Counterfactual Models [0.0]
反事実を計算するための最先端モデルは非現実的であるか、実現不可能である。
因果モデルがない場合、現実的で実現可能な偽物の設計の問題に対処する。
最適輸送理論は、関連する輸送に基づく対実モデルを定義する。
論文 参考訳（メタデータ） (2021-08-30T07:28:19Z) - Model-Based Counterfactual Synthesizer for Interpretation [40.01787107375103]
機械学習モデルを解釈するためのモデルベース対実合成器(MCS)フレームワークを提案する。
まずモデルに基づく逆ファクト過程を分析し、条件付き生成逆数ネット(CGAN)を用いてベースシンセサイザーを構築する。
それらの希少なクエリに対する反ファクト宇宙をよりよく近似するために,MCSフレームワークのトレーニングを行うために,傘サンプリング手法を新たに採用した。
論文 参考訳（メタデータ） (2021-06-16T17:09:57Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳（メタデータ） (2020-08-02T11:19:36Z) - Capsule Networks -- A Probabilistic Perspective [42.187785678596384]
カプセル」モデルはオブジェクトのポーズを明示的に表現し、オブジェクトのポーズと構成部品のリニアな関係を強制しようとする。
本稿では,このようなカプセル仮定を符号化した確率的生成モデルについて述べる。
統合された目的の応用性を実験的に実証し、我々のモデルにおける償却推論に固有の問題を解決するためのテスト時間最適化の活用を実証する。
論文 参考訳（メタデータ） (2020-04-07T17:26:11Z)
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。