Fugu-MT 論文翻訳(概要): Embracing Background Knowledge in the Analysis of Actual Causality: An Answer Set Programming Approach

論文の概要: Embracing Background Knowledge in the Analysis of Actual Causality: An Answer Set Programming Approach

arxiv url: http://arxiv.org/abs/2306.03874v1
Date: Tue, 6 Jun 2023 17:21:21 GMT
ステータス: 処理完了
システム内更新日: 2023-06-07 14:17:22.830384
Title: Embracing Background Knowledge in the Analysis of Actual Causality: An Answer Set Programming Approach
Title（参考訳）: 現実的因果分析における背景知識の活用--解集合プログラミングのアプローチ
Authors: Michael Gelfond, Jorge Fandinno and Evgenii Balai
Abstract要約: 本稿では,因果知識の形式化を目的とした豊富な知識表現言語を提案する。原因の定義が提示され、それらの例を表すアクションのシーケンスに関する変更の実際の原因を分析するために使用される。
参考スコア（独自算出の注目度）: 6.685412769221564
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents a rich knowledge representation language aimed at formalizing causal knowledge. This language is used for accurately and directly formalizing common benchmark examples from the literature of actual causality. A definition of cause is presented and used to analyze the actual causes of changes with respect to sequences of actions representing those examples.
Abstract（参考訳）: 本稿では,因果知識の形式化を目的とした豊富な知識表現言語を提案する。この言語は、実際の因果関係の文献から共通のベンチマーク例を正確にかつ直接的に定式化するために用いられる。原因の定義が提示され、それらの例を表すアクションのシーケンスに関する変更の実際の原因を分析するために使用される。

関連論文リスト

Cause and Effect: Can Large Language Models Truly Understand Causality? [1.2334534968968969]
本研究では,CARE CA(Content Aware Reasoning Enhancement with Counterfactual Analysis)フレームワークという新しいアーキテクチャを提案する。提案するフレームワークには,ConceptNetと反ファクト文を備えた明示的な因果検出モジュールと,大規模言語モデルによる暗黙的な因果検出が組み込まれている。 ConceptNetの知識は、因果的発見、因果的識別、反事実的推論といった複数の因果的推論タスクのパフォーマンスを向上させる。
論文参考訳（メタデータ） (2024-02-28T08:02:14Z)
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)
Abductive Commonsense Reasoning Exploiting Mutually Exclusive Explanations [118.0818807474809]
帰納的推論は、イベントのもっともらしい説明を見つけることを目的としている。自然言語処理における帰納的推論のための既存のアプローチは、しばしば監督のために手動で生成されたアノテーションに依存している。この研究は、ある文脈に対して、説明のサブセットのみが正しいという事実を活用する、帰納的コモンセンス推論のアプローチを提案する。
論文参考訳（メタデータ） (2023-05-24T01:35:10Z)
Testing Pre-trained Language Models' Understanding of Distributivity via Causal Mediation Analysis [13.07356367140208]
自然言語推論のための新しい診断データセットであるDistNLIを紹介する。モデルの理解の範囲は、モデルのサイズと語彙のサイズと関連していることがわかった。
論文参考訳（メタデータ） (2022-09-11T00:33:28Z)
Behaviour Explanation via Causal Analysis of Mental States: A Preliminary Report [0.0]
我々はKhan氏とLesp'erance氏の研究に基づいて、コナティブエフェクトに関する因果推論を支援する。この枠組みでは、動機づけ状態の原因を推論し、モチベーション調整行動が観察された影響の原因となることを許容する。本稿では,この形式化と目標認識モデルを用いて,コミュニケーション型マルチエージェントコンテキストにおけるエージェントの動作を説明する。
論文参考訳（メタデータ） (2022-05-16T04:46:50Z)
Causal Explanations and XAI [8.909115457491522]
説明可能な人工知能(XAI)の重要な目標は、説明を提供することでミスマッチを補うことである。十分な説明と事実的説明の因果的概念を正式に定義し、さらに一歩踏み出します。また、この研究のAIにおける公正性に対する重要性についても触れ、パス固有の反現実的公正性の概念を改善するために、実際の因果関係をどのように利用できるかを示しています。
論文参考訳（メタデータ） (2022-01-31T12:32:10Z)
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)
Learning Causal Semantic Representation for Out-of-Distribution Prediction [125.38836464226092]
因果推論に基づく因果意味生成モデル(CSG)を提案し,その2つの要因を別々にモデル化する。 CSGはトレーニングデータに適合させることで意味的因子を識別できることを示し、この意味的識別はOOD一般化誤差の有界性を保証する。
論文参考訳（メタデータ） (2020-11-03T13:16:05Z)
Thinking About Causation: A Causal Language with Epistemic Operators [58.720142291102135]
我々はエージェントの状態を表すことで因果モデルの概念を拡張した。対象言語の側面には、知識を表現する演算子や、新しい情報を観察する行為が追加されます。我々は、論理の健全かつ完全な公理化を提供し、このフレームワークと因果的チーム意味論との関係について論じる。
論文参考訳（メタデータ） (2020-10-30T12:16:45Z)
Aligning Faithful Interpretations with their Social Attribution [58.13152510843004]
モデル解釈が忠実であることの要件はあいまいで不完全であることに気付く。因果的帰属(因果的帰属)と解釈(社会的帰属)に対する人間の行動の帰属(因果的帰属)の相違が問題であると認識する。
論文参考訳（メタデータ） (2020-06-01T16:45:38Z)

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。