論文の概要: DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena

• arxiv url: http://arxiv.org/abs/2303.06556v1
• Date: Sun, 12 Mar 2023 03:40:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 18:13:19.035294
• Title: DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena
• Title（参考訳）: DOMINO: 時間依存現象による視覚因果推論
• Authors: Jun Wang and Klaus Mueller
• Abstract要約: 本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
• 参考スコア（独自算出の注目度）: 59.291745595756346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current work on using visual analytics to determine causal relations among variables has mostly been based on the concept of counterfactuals. As such the derived static causal networks do not take into account the effect of time as an indicator. However, knowing the time delay of a causal relation can be crucial as it instructs how and when actions should be taken. Yet, similar to static causality, deriving causal relations from observational time-series data, as opposed to designed experiments, is not a straightforward process. It can greatly benefit from human insight to break ties and resolve errors. We hence propose a set of visual analytics methods that allow humans to participate in the discovery of causal relations associated with windows of time delay. Specifically, we leverage a well-established method, logic-based causality, to enable analysts to test the significance of potential causes and measure their influences toward a certain effect. Furthermore, since an effect can be a cause of other effects, we allow users to aggregate different temporal cause-effect relations found with our method into a visual flow diagram to enable the discovery of temporal causal networks. To demonstrate the effectiveness of our methods we constructed a prototype system named DOMINO and showcase it via a number of case studies using real-world datasets. Finally, we also used DOMINO to conduct several evaluations with human analysts from different science domains in order to gain feedback on the utility of our system in practical scenarios.
• Abstract（参考訳）: 変数間の因果関係を決定するためにビジュアルアナリティクスを使用する最近の取り組みは、主に反事実の概念に基づいている。 このように、導出された静的因果ネットワークは、時間の影響を指標として考慮しない。 しかし、因果関係の時間的遅延を知ることは、アクションがいつどのように行われるべきかを指示するので重要である。 しかし、静的因果関係と同様に、観測時系列データから因果関係を導出することは、設計された実験とは対照的に、単純なプロセスではない。 人間の洞察から、つながりを壊し、エラーを解決できるのです。 そこで我々は,人間が時間遅延の窓に関連する因果関係の発見に参加することのできる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証し、その影響をある効果に対して測定できるようにする。 さらに,効果が他の効果の原因となる可能性があるため,本手法で検出した時間的原因・影響関係を視覚フロー図に集約し,時間的因果ネットワークの発見を可能にする。 本手法の有効性を示すために,DOMINOというプロトタイプシステムを構築し,実世界のデータセットを用いたケーススタディを多数実施した。 最後に,実運用シナリオにおけるシステムの有用性に関するフィードバックを得るために,異なる科学領域の人間アナリストといくつかの評価を行うために,ドミノを用いた。

関連論文リスト

• CausalFormer: An Interpretable Transformer for Temporal Causal Discovery [24.608536564444137]
  本稿では、CausalFormerと呼ばれる、解釈可能なトランスフォーマーに基づく因果探索モデルを提案する。 因果対応変換器は、予測タスクを用いて時系列データの因果表現を学習する。 分解に基づく因果検出器は、訓練された因果変換器のグローバル構造を解釈する。
  論文  参考訳（メタデータ） (2024-06-24T15:09:29Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Causal discovery for time series with constraint-based model and PMIME measure [0.0]
  本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。 提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2023-05-31T09:38:50Z)
• iCITRIS: Causal Representation Learning for Instantaneous Temporal Effects [36.358968799947924]
  因果表現学習は、基礎となる因果変数とその関係を高次元観測から識別するタスクである。 時間的シーケンスにおける瞬時効果を処理できる因果表現学習法iCITRISを提案する。 3つのビデオデータセットの実験において、iCITRISは因果因子とその因果グラフを正確に識別する。
  論文  参考訳（メタデータ） (2022-06-13T13:56:40Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• To do or not to do: finding causal relations in smart homes [2.064612766965483]
  本稿では,環境と観測データの混合実験から因果モデルを学ぶための新しい手法を提案する。 我々の手法の核心は、選択された介入の使用であり、特に、介入が不可能な変数を考慮に入れた学習である。 本手法をスマートホームシミュレーション,すなわち因果関係を知ることが説明可能なシステムへの道を開くユースケースに応用する。
  論文  参考訳（メタデータ） (2021-05-20T22:36:04Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)

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。