論文の概要: Discovering Causal Relations and Equations from Data
- arxiv url: http://arxiv.org/abs/2305.13341v1
- Date: Sun, 21 May 2023 19:22:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 23:07:51.551663
- Title: Discovering Causal Relations and Equations from Data
- Title(参考訳): データから因果関係と方程式を発見する
- Authors: Gustau Camps-Valls, Andreas Gerhardus, Urmi Ninad, Gherardo Varando,
Georg Martius, Emili Balaguer-Ballester, Ricardo Vinuesa, Emiliano Diaz,
Laure Zanna, Jakob Runge
- Abstract要約: 本稿では、物理学の幅広い分野における因果関係と方程式発見に関する概念、方法、および関連する研究について概説する。
我々は、観察因果関係と方程式発見のための分類法を提供し、接続を指摘し、ケーススタディの完全なセットを示します。
興奮する時間は、複雑なシステムに対する理解を改善するための多くの課題と機会に先立ちます。
- 参考スコア(独自算出の注目度): 23.802778299505288
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physics is a field of science that has traditionally used the scientific
method to answer questions about why natural phenomena occur and to make
testable models that explain the phenomena. Discovering equations, laws and
principles that are invariant, robust and causal explanations of the world has
been fundamental in physical sciences throughout the centuries. Discoveries
emerge from observing the world and, when possible, performing interventional
studies in the system under study. With the advent of big data and the use of
data-driven methods, causal and equation discovery fields have grown and made
progress in computer science, physics, statistics, philosophy, and many applied
fields. All these domains are intertwined and can be used to discover causal
relations, physical laws, and equations from observational data. This paper
reviews the concepts, methods, and relevant works on causal and equation
discovery in the broad field of Physics and outlines the most important
challenges and promising future lines of research. We also provide a taxonomy
for observational causal and equation discovery, point out connections, and
showcase a complete set of case studies in Earth and climate sciences, fluid
dynamics and mechanics, and the neurosciences. This review demonstrates that
discovering fundamental laws and causal relations by observing natural
phenomena is being revolutionised with the efficient exploitation of
observational data, modern machine learning algorithms and the interaction with
domain knowledge. Exciting times are ahead with many challenges and
opportunities to improve our understanding of complex systems.
- Abstract(参考訳): 物理学は科学の分野であり、なぜ自然現象が起こるのかという疑問に答えるために伝統的に科学的手法を用いてきた。
不変で強固で因果的な世界の説明である方程式、法則、原理の発見は、何世紀にもわたって物理科学において基礎的であった。
発見は世界を観察することから始まり、可能であれば、研究中のシステムで介入研究を行う。
ビッグデータの出現とデータ駆動手法の使用により、因果関係と方程式発見の分野はコンピュータ科学、物理学、統計学、哲学、および多くの応用分野において発展し進歩してきた。
これらの領域は互いに絡み合っており、観測データから因果関係、物理法則、方程式を発見できる。
本稿では, 幅広い物理学分野における因果関係と方程式の発見に関する概念, 方法, および関連する研究を概説し, 今後の研究の課題と展望について概説する。
また,観測因果と方程式の発見のための分類法を提供し,関連を指摘し,地球と気候科学,流体力学,神経科学の完全なケーススタディを提示する。
本稿では,自然現象の観測による基本法則と因果関係の発見が,観測データの効率的な活用,現代の機械学習アルゴリズム,ドメイン知識との相互作用によって革新されていることを示す。
興奮する時間は、複雑なシステムの理解を改善するための多くの課題と機会に先立ちます。
関連論文リスト
- Knowledge Graphs for the Life Sciences: Recent Developments, Challenges
and Opportunities [11.35513523308132]
生命科学におけるグラフ技術の利用の進展と進歩について論じる。
我々は、知識グラフ(KG)の構築と管理、新しい知識の発見におけるKGとその関連技術の使用、説明を支援する人工知能アプリケーションにおけるKGの使用の3つの幅広いトピックに焦点を当てる。
論文 参考訳(メタデータ) (2023-09-29T14:03:34Z) - Artificial Intelligence for Science in Quantum, Atomistic, and Continuum
Systems [245.1050780515017]
科学のためのAI(AI4Science)として知られる新しい研究領域
領域は、物理世界(波動関数と電子密度)、原子(分子、タンパク質、物質、相互作用)、マクロ(流体、気候、地下)まで理解することを目的としている。
主要な課題は、物理第一原理、特に対称性を深層学習法によって自然システムで捉える方法である。
論文 参考訳(メタデータ) (2023-07-17T12:14:14Z) - Symmetry-Informed Geometric Representation for Molecules, Proteins, and
Crystalline Materials [66.14337835284628]
幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。
Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
論文 参考訳(メタデータ) (2023-06-15T05:37:25Z) - A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。
大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
論文 参考訳(メタデータ) (2022-12-20T18:46:16Z) - Robust Causality and False Attribution in Data-Driven Earth Science
Discoveries [0.3503794925747607]
因果研究と帰属研究は、地球科学的な発見や気候、生態学、水の政策を知らせるために不可欠である。
ここでは,移動エントロピーに基づく因果グラフが,統計的に有意に拡張された場合でも飛躍的であることを示す。
我々は,頑健な因果解析のためのサブサンプルに基づくアンサンブル手法を開発した。
論文 参考訳(メタデータ) (2022-09-26T10:45:48Z) - Causal Reasoning Meets Visual Representation Learning: A Prospective
Study [117.08431221482638]
解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。
人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。
本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
論文 参考訳(メタデータ) (2022-04-26T02:22:28Z) - Physics-informed Reinforcement Learning for Perception and Reasoning
about Fluids [0.0]
本研究では,流体知覚と観測からの推論のための物理インフォームド強化学習戦略を提案する。
本研究では,コモディティカメラで自由表面を観察した未確認液体の追跡(知覚)と解析(推論)を行う手法を開発した。
論文 参考訳(メタデータ) (2022-03-11T07:01:23Z) - A Computable Piece of Uncomputable Art whose Expansion May Explain the
Universe in Software Space [0.0]
我々は、逆問題への挑戦に対して、代替の、おそらく最良の解決策で因果関係に関連する科学のエキサイティングな領域を見つける。
小さなモデルを見つけ、科学的な発見の分野を前進させるSFのような空間を探索することを学ぶことができる。
論文 参考訳(メタデータ) (2021-09-15T12:44:40Z) - 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) - Living in the Physics and Machine Learning Interplay for Earth
Observation [7.669855697331746]
推論は変数の関係を理解し、物理的に解釈可能なモデルを導出することを意味する。
機械学習モデルだけでも優れた近似器であるが、物理学の最も基本的な法則を尊重しないことが多い。
これは、地球系の知識を発見できるアルゴリズムを開発し、適用するための、長期的なAIの集合的なアジェンダである。
論文 参考訳(メタデータ) (2020-10-18T16:58:20Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳(メタデータ) (2020-06-05T08:04:37Z)
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。