論文の概要: Learning Causal Attributions in Neural Networks: Beyond Direct Effects

• arxiv url: http://arxiv.org/abs/2303.13850v1
• Date: Fri, 24 Mar 2023 08:17:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-27 15:16:11.359020
• Title: Learning Causal Attributions in Neural Networks: Beyond Direct Effects
• Title（参考訳）: ニューラルネットワークにおける因果関係の学習--直接的な効果を超えて
• Authors: Abbaavaram Gowtham Reddy, Saketh Bachu, Harsharaj Pathak, Benin L Godfrey, Vineeth N. Balasubramanian, Varshaneya V, Satya Narayanan Kar
• Abstract要約: NNモデルにおける入出力属性を推定・維持するための因果的アプローチについて検討する。 NNを構造因果モデル(Structuor causal model, SCM)と見なすのではなく、直接的な効果を超えることに注力する。 高次元データにおける因果属性の定量化に有効な近似法を提案する。
• 参考スコア（独自算出の注目度）: 15.689891052847326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There has been a growing interest in capturing and maintaining causal relationships in Neural Network (NN) models in recent years. We study causal approaches to estimate and maintain input-output attributions in NN models in this work. In particular, existing efforts in this direction assume independence among input variables (by virtue of the NN architecture), and hence study only direct causal effects. Viewing an NN as a structural causal model (SCM), we instead focus on going beyond direct effects, introduce edges among input features, and provide a simple yet effective methodology to capture and maintain direct and indirect causal effects while training an NN model. We also propose effective approximation strategies to quantify causal attributions in high dimensional data. Our wide range of experiments on synthetic and real-world datasets show that the proposed ante-hoc method learns causal attributions for both direct and indirect causal effects close to the ground truth effects.
• Abstract（参考訳）: 近年,ニューラルネットワーク(NN)モデルにおける因果関係の捕捉と維持に対する関心が高まっている。 本研究では,NNモデルの入出力属性を推定・維持するための因果的アプローチについて検討する。 特に、この方向の既存の取り組みは(NNアーキテクチャにより)入力変数間の独立性を前提としており、直接的な因果効果のみを研究する。 NNを構造因果モデル(Structuor causal model, SCM)と見なして、直接効果を超えて入力特徴間のエッジを導入し、NNモデルをトレーニングしながら直接的かつ間接的因果効果を捕捉し、維持するためのシンプルで効果的な方法論を提供する。 また,高次元データにおける因果帰属を定量化する効果的な近似戦略を提案する。 合成および実世界のデータセットに関する幅広い実験により、提案手法は、基底真理効果に近い直接的および間接的因果効果の因果属性を学習することを示す。

関連論文リスト

• Estimating Peer Direct and Indirect Effects in Observational Network Data [16.006409149421515]
  本稿では、ピア直接効果とピア間接効果の両方を考慮し、個人自身の治療の効果を考慮に入れた一般的な設定を提案する。 注意機構を用いて、異なる隣人の影響を識別し、グラフニューラルネットワークによる高次隣人効果を探索する。 理論的には,ネットワークシステムにおける介入戦略を改善する可能性があり,ソーシャルネットワークや疫学などの分野にも応用できる。
  論文  参考訳（メタデータ） (2024-08-21T10:02:05Z)
• Neural Networks with Causal Graph Constraints: A New Approach for Treatment Effects Estimation [0.951494089949975]
  因果グラフからの追加情報を考慮した新しいモデルNN-CGCを提案する。 本手法は因果グラフの不完全性に対して頑健であり,部分因果情報の使用は無視するよりも望ましいことを示す。
  論文  参考訳（メタデータ） (2024-04-18T14:57:17Z)
• CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
  クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。 このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。 ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T18:31:50Z)
• NESTER: An Adaptive Neurosymbolic Method for Causal Effect Estimation [37.361149306896024]
  観測データからの因果効果推定は因果推論における中心的な問題である。 我々はニューロシンボリック因果効果推定器(NESTER)という適応手法を提案する。 我々の総合的な実験結果から、NESTERはベンチマークデータセットの最先端手法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2022-11-08T16:48:46Z)
• Modeling Associative Plasticity between Synapses to Enhance Learning of Spiking Neural Networks [4.736525128377909]
  Spiking Neural Networks(SNN)は、ニューラルネットワークの第3世代であり、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする。 本稿では,シナプス間の結合可塑性をモデル化し,頑健で効果的な学習機構を提案する。 本手法は静的および最先端のニューロモルフィックデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-07-24T06:12:23Z)
• Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
  我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。 本稿では,関係データに対するKENNの拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:00:34Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。