論文の概要: Causal Imitability Under Context-Specific Independence Relations
- arxiv url: http://arxiv.org/abs/2306.00585v2
- Date: Sun, 11 Jun 2023 21:04:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 23:24:12.207770
- Title: Causal Imitability Under Context-Specific Independence Relations
- Title(参考訳): 文脈特異的独立関係下における因果Imitability
- Authors: Fateme Jamshidi, Sina Akbari, Negar Kiyavash
- Abstract要約: 我々は,CSI関係が知られている場合の因果模倣学習の問題点を考察する。
我々は、CSI下での模倣学習に必要なグラフィカルな基準を提供し、構造的前提の下では、この基準も十分であることを示す。
本稿では,CSI関係とデータを考慮した因果模倣学習のための音響アルゴリズムアプローチを提案する。
- 参考スコア(独自算出の注目度): 18.764384254545718
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drawbacks of ignoring the causal mechanisms when performing imitation
learning have recently been acknowledged. Several approaches both to assess the
feasibility of imitation and to circumvent causal confounding and causal
misspecifications have been proposed in the literature. However, the potential
benefits of the incorporation of additional information about the underlying
causal structure are left unexplored. An example of such overlooked information
is context-specific independence (CSI), i.e., independence that holds only in
certain contexts. We consider the problem of causal imitation learning when CSI
relations are known. We prove that the decision problem pertaining to the
feasibility of imitation in this setting is NP-hard. Further, we provide a
necessary graphical criterion for imitation learning under CSI and show that
under a structural assumption, this criterion is also sufficient. Finally, we
propose a sound algorithmic approach for causal imitation learning which takes
both CSI relations and data into account.
- Abstract(参考訳): 模倣学習を行う際の因果メカニズムを無視する欠点が最近認識されている。
模倣の可能性と因果的共起や因果的誤認を回避するためのいくつかのアプローチが文献で提案されている。
しかし、基礎となる因果構造に関する追加情報の導入による潜在的利益は未検討のままである。
このような見落としられた情報の例としては、コンテキスト固有の独立性(csi)、すなわち特定のコンテキストにのみ保持される独立性がある。
csi関係が知られている場合の因果模倣学習の問題を考える。
この設定における模倣の実現可能性に関する決定問題はNPハードであることを証明する。
さらに,csi下での模倣学習に必要なグラフィカルな基準を提供し,構造的仮定の下では,この基準が十分であることを示す。
最後に,CSI関係とデータを考慮した因果模倣学習のための音響アルゴリズムアプローチを提案する。
関連論文リスト
- Enhancing Systematic Decompositional Natural Language Inference Using
Informal Logic [53.363888563647976]
我々は,分解包含データセットに注釈を付けるための一貫した理論的なアプローチを開発した。
得られたデータセットRDTEは,従来よりも内部整合性(+9%)が高いことがわかった。
また, 知識蒸留によるRDTE指向エンテーメント分類器の訓練や, 現代のニューロシンボリック推論エンジンへの導入により, 結果が大幅に向上することが確認された。
論文 参考訳(メタデータ) (2024-02-22T18:55:17Z) - SSL Framework for Causal Inconsistency between Structures and
Representations [23.035761299444953]
深層学習と因果発見のクロスポリン化は、画像、ビデオ、テキストなどの統計的でないデータ形式における因果関係の解明を目指す、急成長する研究分野を触媒している。
我々は、不確定データに適した介入戦略を理論的に開発し、因果一貫性条件(CCC)を導出する。
CCCは様々な分野で重要な役割を果たす可能性がある。
論文 参考訳(メタデータ) (2023-10-28T08:29:49Z) - Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。
本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。
2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文 参考訳(メタデータ) (2023-08-24T16:06:36Z) - Causal Discovery with Language Models as Imperfect Experts [119.22928856942292]
専門知識を用いて因果グラフの同定を改善する方法について検討する。
整合性に基づく専門家の知識を改良するための戦略を提案する。
本稿では,不完全な専門家として大規模言語モデルを用いる実データを用いたケーススタディについて報告する。
論文 参考訳(メタデータ) (2023-07-05T16:01:38Z) - Learning a Structural Causal Model for Intuition Reasoning in
Conversation [20.243323155177766]
NLP研究の重要な側面である推論は、一般的なモデルによって適切に対処されていない。
我々は、各発話がどのように情報チャネルを受信し、活性化するかを説明する会話認知モデル(CCM)を開発した。
変分推論を利用することで、暗黙的な原因の代用を探索し、その観測不可能性の問題に対処し、証拠の低い境界を通して発話の因果表現を再構築する。
論文 参考訳(メタデータ) (2023-05-28T13:54:09Z) - How to Enhance Causal Discrimination of Utterances: A Case on Affective
Reasoning [22.11437627661179]
本稿では,会話プロセスにテクスティ.i.d.ノイズ項を組み込むことにより,構造因果モデル(SCM)を構築することを提案する。
ディープラーニングの実装を容易にするため,非構造化会話データを扱うためのcognフレームワークを導入し,非可観測ノイズを学習可能な「単純な原因」とみなすオートエンコーダアーキテクチャを採用した。
論文 参考訳(メタデータ) (2023-05-04T07:45:49Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳(メタデータ) (2022-02-22T21:27:31Z) - Causal Effect Identification with Context-specific Independence
Relations of Control Variables [24.835889689036943]
因果グラフを用いた観測結果から因果効果を同定する問題について検討した。
我々は,CSI関係を単なる観測分布から学習することのできる,グラフィカルな制約のセットを紹介する。
論文 参考訳(メタデータ) (2021-10-22T20:58:37Z) - 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) - 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) - Identifying Causal Effects via Context-specific Independence Relations [9.51801023527378]
因果効果の同定は、介入確率分布が受動的に観察された分布から一意に決定できるかどうかを考える。
我々は、文脈固有の独立関係の存在下で、因果効果の非識別性を決定することはNPハードであることを示す。
そこで我々は,CSIの存在下での因果関係を識別する計算法と自動探索法を設計した。
論文 参考訳(メタデータ) (2020-09-21T11:38:15Z)
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。