Fugu-MT 論文翻訳(概要): Do we become wiser with time? On causal equivalence with tiered background knowledge

論文の概要: Do we become wiser with time? On causal equivalence with tiered background knowledge

arxiv url: http://arxiv.org/abs/2306.01638v1
Date: Fri, 2 Jun 2023 15:58:22 GMT
ステータス: 処理完了
システム内更新日: 2023-06-05 14:21:07.394686
Title: Do we become wiser with time? On causal equivalence with tiered background knowledge
Title（参考訳）: 時間とともに賢くなるのか? 相関背景知識による因果同値性について
Authors: Christine W. Bang and Vanessa Didelez
Abstract要約: 階層化MPDAGの構築には,Meekの第1規則の適用しか必要としないことを示す。階層化された知識は、情報性や計算効率を著しく向上させる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Equivalence classes of DAGs (represented by CPDAGs) may be too large to provide useful causal information. Here, we address incorporating tiered background knowledge yielding restricted equivalence classes represented by 'tiered MPDAGs'. Tiered knowledge leads to considerable gains in informativeness and computational efficiency: We show that construction of tiered MPDAGs only requires application of Meek's 1st rule, and that tiered MPDAGs (unlike general MPDAGs) are chain graphs with chordal components. This entails simplifications e.g. of determining valid adjustment sets for causal effect estimation. Further, we characterise when one tiered ordering is more informative than another, providing insights into useful aspects of background knowledge.
Abstract（参考訳）: DAGの等価クラス(PDAGで表される)は、有用な因果情報を提供するには大きすぎるかもしれない。ここでは、階層化MPDAGで表される制約付き同値クラスを出力する階層型背景知識を組み込む。連結MPDAGの構築は、Meekの第一規則の適用のみを必要とし、連結MPDAG(一般MPDAGとは違って)は弦成分を持つ連鎖グラフであることを示す。これは例えば因果効果推定のための有効な調整セットを決定することを単純化する。さらに,一方の結び付き順序が他方よりも有益である場合に特徴付け,背景知識の有用な側面に関する洞察を提供する。

関連論文リスト

G-RAG: Knowledge Expansion in Material Science [0.0]
Graph RAGはグラフデータベースを統合して、検索プロセスを強化する。文書のより詳細な表現を実現するために,エージェントベースの解析手法を実装した。
論文参考訳（メタデータ） (2024-11-21T21:22:58Z)
AGLP: A Graph Learning Perspective for Semi-supervised Domain Adaptation [13.472532378889264]
半教師付きドメイン適応(SSDA)において、このモデルは、部分的にラベル付けされたターゲットドメインデータと大量のラベル付けされたソースドメインデータを活用することを目的としている。本稿では,半教師付きドメイン適応のためのグラフ学習視点(AGLP)を提案する。グラフ畳み込みネットワークをインスタンスグラフに適用することにより,重み付きグラフエッジに沿って構造情報を伝搬することができる。
論文参考訳（メタデータ） (2024-11-20T09:41:41Z)
Learning Rules from KGs Guided by Language Models [48.858741745144044]
ルール学習手法は、潜在的に欠落する事実を予測するために適用することができる。規則のランク付けは、高度に不完全あるいは偏りのあるKGよりも特に難しい。近年のLanguage Models (LM) の台頭により、いくつかの研究が、LMがKG補完の代替手段として利用できると主張している。
論文参考訳（メタデータ） (2024-09-12T09:27:36Z)
Counterfactual Reasoning with Knowledge Graph Embeddings [3.6311338398148534]
知識グラフ埋め込み (KGEs) は、本来は事実を推測するために開発されたが、未完成の知識リポジトリに欠けている事実を推測するために開発された。本稿では,知識グラフの補完と,新たなタスクCFKGRによる反実的推論をリンクする。
論文参考訳（メタデータ） (2024-03-11T17:21:39Z)
A Teacher-Free Graph Knowledge Distillation Framework with Dual Self-Distillation [58.813991312803246]
本稿では,教師モデルやGNNを必要としない教師自由グラフ自己蒸留(TGS)フレームワークを提案する。 TGSは、トレーニングにおけるグラフトポロジの認識の利点を享受しているが、推論におけるデータ依存から解放されている。
論文参考訳（メタデータ） (2024-03-06T05:52:13Z)
Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
論文参考訳（メタデータ） (2023-12-07T18:37:43Z)
Knowledge Reasoning via Jointly Modeling Knowledge Graphs and Soft Rules [17.301284626706856]
知識グラフ補完法(KGC)は、ルールベースの推論と埋め込みベースの推論の2つの主要なカテゴリに分類される。本稿では,ルールを注入し,反復的に表現を学習し,ルールと埋め込みを最大限に活用する手法を提案する。
論文参考訳（メタデータ） (2023-01-07T05:24:29Z)
Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
論文参考訳（メタデータ） (2022-07-18T18:41:36Z)
Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
論文参考訳（メタデータ） (2022-07-14T10:16:56Z)
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)
NI-UDA: Graph Adversarial Domain Adaptation from Non-shared-and-Imbalanced Big Data to Small Imbalanced Applications [18.039770432553247]
本稿では,クラス構造の意味的知識推論に基づくGADA(Graph Adrialversa Domain Adaptation)を提案する。我々のゴールは、優先順位階層の知識を活用して、グラフ推論によるドメインの敵対的整合した特徴表現を強化することである。 2つのベンチマークデータセットの実験により、我々のGAD手法は、最先端のUDAアルゴリズムを一貫して改善することを示した。
論文参考訳（メタデータ） (2021-08-11T07:01:13Z)

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。