論文の概要: Causal Deep Learning
- arxiv url: http://arxiv.org/abs/2303.02186v2
- Date: Wed, 14 Feb 2024 10:30:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 20:26:05.371130
- Title: Causal Deep Learning
- Title（参考訳）: 因果深層学習
- Authors: Jeroen Berrevoets, Krzysztof Kacprzyk, Zhaozhi Qian, Mihaela van der
Schaar
- Abstract要約: 因果性は、現実世界の問題を解決する方法を変える可能性がある。
しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。
我々は、因果性に関する新しい考え方を提案します。
- 参考スコア（独自算出の注目度）: 77.49632479298745
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causality has the potential to truly transform the way we solve a large
number of real-world problems. Yet, so far, its potential largely remains to be
unlocked as causality often requires crucial assumptions which cannot be tested
in practice. To address this challenge, we propose a new way of thinking about
causality -- we call this causal deep learning. Our causal deep learning
framework spans three dimensions: (1) a structural dimension, which
incorporates partial yet testable causal knowledge rather than assuming either
complete or no causal knowledge among the variables of interest; (2) a
parametric dimension, which encompasses parametric forms that capture the type
of relationships among the variables of interest; and (3) a temporal dimension,
which captures exposure times or how the variables of interest interact
(possibly causally) over time. Causal deep learning enables us to make progress
on a variety of real-world problems by leveraging partial causal knowledge
(including independencies among variables) and quantitatively characterising
causal relationships among variables of interest (possibly over time). Our
framework clearly identifies which assumptions are testable and which ones are
not, such that the resulting solutions can be judiciously adopted in practice.
Using our formulation we can combine or chain together causal representations
to solve specific problems without losing track of which assumptions are
required to build these solutions, pushing real-world impact in healthcare,
economics and business, environmental sciences and education, through causal
deep learning.
- Abstract（参考訳）: 因果関係は多くの現実世界の問題を解決する方法を真に変える可能性がある。
しかし、因果関係は多くの場合、実際にテストできない重要な仮定を必要とするため、今のところその可能性はほとんど解かれていない。
この課題に対処するため、私たちは因果関係に関する新しい考え方を提案します。
Our causal deep learning framework spans three dimensions: (1) a structural dimension, which incorporates partial yet testable causal knowledge rather than assuming either complete or no causal knowledge among the variables of interest; (2) a parametric dimension, which encompasses parametric forms that capture the type of relationships among the variables of interest; and (3) a temporal dimension, which captures exposure times or how the variables of interest interact (possibly causally) over time.
因果深い学習は、変数間の非依存性を含む部分的因果的知識を活用し、興味のある変数間の因果的関係を定量的に特徴づけ(おそらく時間とともに)、様々な実世界の問題を進行させることができる。
私たちのフレームワークは、どの仮定がテスト可能で、どれがテストできないかを明確に特定します。
私たちの定式化を使用することで、因果関係表現を組み合わせるか、連鎖させることで、これらのソリューションを構築するのに必要な仮定を追跡することなく、因果関係深層学習を通じて、医療、経済、ビジネス、環境科学、教育における現実世界の影響を後押しすることができる。
関連論文リスト
- Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。
教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。
その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
論文 参考訳（メタデータ） (2024-08-01T09:11:08Z) - Emergence and Causality in Complex Systems: A Survey on Causal Emergence
and Related Quantitative Studies [12.78006421209864]
因果発生理論は出現を定量化するために因果関係の尺度を用いる。
因果の出現を定量化し、データを識別する。
因果表現学習,因果モデル抽象化,世界モデルに基づく強化学習によって,因果表現の出現を識別するアーキテクチャが共有されることを強調した。
論文 参考訳（メタデータ） (2023-12-28T04:20:46Z) - Nonlinearity, Feedback and Uniform Consistency in Causal Structural
Learning [0.8158530638728501]
Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。
この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
論文 参考訳（メタデータ） (2023-08-15T01:23:42Z) - Causal Reinforcement Learning: A Survey [57.368108154871]
強化学習は、不確実性の下でのシーケンシャルな決定問題の解決に不可欠なパラダイムである。
主な障害の1つは、強化学習エージェントが世界に対する根本的な理解を欠いていることである。
因果性は、体系的な方法で知識を形式化できるという点で顕著な利点がある。
論文 参考訳（メタデータ） (2023-07-04T03:00:43Z) - A Conceptual Model for End-to-End Causal Discovery in Knowledge Tracing [8.049552839071918]
我々は,知識追跡における因果発見問題の解決に向けて,予備的な一歩を踏み出した。
第3回NeurIPS 2022章「教育における学習経路の因果的洞察への挑戦」の項目の1つにその解決策が挙げられた。
論文 参考訳（メタデータ） (2023-05-11T21:20:29Z) - Deep Causal Learning: Representation, Discovery and Inference [2.696435860368848]
因果学習は、現象の基盤となり、世界が進化するメカニズムを規定する本質的な関係を明らかにする。
従来の因果学習手法は、高次元変数、非構造変数、最適化問題、未観測の共同設立者、選択バイアス、推定不正確さなど、多くの課題や制限に直面している。
ディープ・因果学習はディープ・ニューラルネットワークを活用し、これらの課題に対処するための革新的な洞察と解決策を提供する。
論文 参考訳（メタデータ） (2022-11-07T09:00:33Z) - Constrained Learning with Non-Convex Losses [119.8736858597118]
学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
論文 参考訳（メタデータ） (2021-03-08T23:10:33Z) - Towards Causal Representation Learning [96.110881654479]
機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。
現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
論文 参考訳（メタデータ） (2021-02-22T15:26:57Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳（メタデータ） (2021-01-17T07:48:45Z)
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。