論文の概要: A Survey on Causal Discovery: Theory and Practice

• arxiv url: http://arxiv.org/abs/2305.10032v1
• Date: Wed, 17 May 2023 08:18:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-18 16:55:26.245016
• Title: A Survey on Causal Discovery: Theory and Practice
• Title（参考訳）: 因果発見に関する調査:理論と実践
• Authors: Alessio Zanga, Fabio Stella
• Abstract要約: 因果推論は、原因とその影響を結びつける基礎となる関係を定量化するように設計されている。 本稿では,最近の進歩を統一的に検討し,既存のアルゴリズムを一貫した概要を提供し,有用なツールやデータを報告する。
• 参考スコア（独自算出の注目度）: 2.741266294612776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the laws that govern a phenomenon is the core of scientific progress. This is especially true when the goal is to model the interplay between different aspects in a causal fashion. Indeed, causal inference itself is specifically designed to quantify the underlying relationships that connect a cause to its effect. Causal discovery is a branch of the broader field of causality in which causal graphs is recovered from data (whenever possible), enabling the identification and estimation of causal effects. In this paper, we explore recent advancements in a unified manner, provide a consistent overview of existing algorithms developed under different settings, report useful tools and data, present real-world applications to understand why and how these methods can be fruitfully exploited.
• Abstract（参考訳）: 現象を支配する法則を理解することが科学の進歩の核である。 これは特に、目的が異なる側面間の因果的な相互作用をモデル化することにある場合に当てはまる。 実際、因果推論自体は、原因とその効果を結びつける基礎的な関係を定量化するために特別に設計されている。 因果発見は、因果グラフが(可能であれば)データから回収され、因果効果の同定と推定を可能にする、より広い因果性分野の分枝である。 本稿では,近年の進歩を統一的に検討し,異なる設定下で開発された既存アルゴリズムの概要を整理し,有用なツールとデータを報告し,その方法が実効的に活用できる理由と方法を理解するために実世界のアプリケーションを紹介する。

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)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  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。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• Hierarchical Graph Neural Networks for Causal Discovery and Root Cause Localization [52.72490784720227]
  REASONはTopological Causal DiscoveryとPersonal Causal Discoveryで構成されている。 Topological Causal Discoveryコンポーネントは、根本原因を辿るために断層伝播をモデル化することを目的としている。 個々の因果発見コンポーネントは、単一のシステムエンティティの突然の変化パターンのキャプチャに重点を置いている。
  論文  参考訳（メタデータ） (2023-02-03T20:17:45Z)
• Causal Discovery for Fairness [3.3861246056563616]
  因果的発見アプローチの違いが因果的モデルにどのように影響するか,因果的モデル間の微妙な差異が公平さ/差別的結論にどのように影響するかを示す。 本研究の主な目的は,因果関係を用いて公平に対処する因果発見ステップの重要性を明らかにすることである。
  論文  参考訳（メタデータ） (2022-06-14T08:40:40Z)
• Causality, Causal Discovery, and Causal Inference in Structural Engineering [1.827510863075184]
  本稿では,土木工学の観点からの因果発見と因果推論の事例を構築した。 具体的には、因果関係の鍵となる原理と、因果関係の発見と因果推論のための最も一般的なアルゴリズムとパッケージについて概説する。
  論文  参考訳（メタデータ） (2022-04-04T14:49:47Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• 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)
• Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis [62.44432226563088]
  因果推論は変数間の因果関係を捉えるプロセスである。 本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。 GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
  論文  参考訳（メタデータ） (2021-04-19T16:13:10Z)
• 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)

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。