論文の概要: Intervention Generalization: A View from Factor Graph Models
- arxiv url: http://arxiv.org/abs/2306.04027v1
- Date: Tue, 6 Jun 2023 21:44:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 16:55:48.086427
- Title: Intervention Generalization: A View from Factor Graph Models
- Title（参考訳）: 介入一般化:因子グラフモデルからの考察
- Authors: Gecia Bravo-Hermsdorff, David S. Watson, Jialin Yu, Jakob Zeitler, and
Ricardo Silva
- Abstract要約: 最小限の仮定に基づいて、過去の実験から新しい条件への飛躍を保証する方法を詳しく検討する。
仮定された$textitinterventional Factor Model$ (IFM) は必ずしも情報であるとは限らないが、明らかな未測定のコンファウンディングの必要性を便利に抽象化する。
我々は,実験環境の収集から得られたデータを用いて,IMMによる因果効果の同定可能性について,必要かつ十分な条件を導出する。
- 参考スコア（独自算出の注目度）: 9.498526720606984
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the goals of causal inference is to generalize from past experiments
and observational data to novel conditions. While it is in principle possible
to eventually learn a mapping from a novel experimental condition to an outcome
of interest, provided a sufficient variety of experiments is available in the
training data, coping with a large combinatorial space of possible
interventions is hard. Under a typical sparse experimental design, this mapping
is ill-posed without relying on heavy regularization or prior distributions.
Such assumptions may or may not be reliable, and can be hard to defend or test.
In this paper, we take a close look at how to warrant a leap from past
experiments to novel conditions based on minimal assumptions about the
factorization of the distribution of the manipulated system, communicated in
the well-understood language of factor graph models. A postulated
$\textit{interventional factor model}$ (IFM) may not always be informative, but
it conveniently abstracts away a need for explicit unmeasured confounding and
feedback mechanisms, leading to directly testable claims. We derive necessary
and sufficient conditions for causal effect identifiability with IFMs using
data from a collection of experimental settings, and implement practical
algorithms for generalizing expected outcomes to novel conditions never
observed in the data.
- Abstract（参考訳）: 因果推論の目標の1つは、過去の実験と観測データから新しい状態への一般化である。
新たな実験条件から関心の結果へのマッピングを最終的に学習することは原則として可能であるが、トレーニングデータで十分な種類の実験が利用可能であれば、大きな組合せ空間に対応することは困難である。
典型的なスパース実験設計では、この写像は重正規化や事前分布に頼らずに不適切である。
そのような仮定は信頼性があり、防御やテストが難しいかもしれない。
本稿では, 因子グラフモデルのよく理解された言語で伝達される操作系分布の因子化に関する最小限の仮定に基づいて, 過去の実験から新しい条件への飛躍をいかに保証するかを詳細に検討する。
仮定された$\textit{interventional factor model}$ (IFM) は必ずしも情報であるとは限らないが、明らかな未測定のコンバウンディングとフィードバックメカニズムの必要性を便利に抽象化し、直接的に検証可能なクレームをもたらす。
実験条件の収集から得られたデータを用いてifmsによる因果効果の同定に必要十分条件を導出し,データに観測されない新しい条件に期待結果を一般化するための実用的なアルゴリズムを実装した。
関連論文リスト
- Prediction-powered Generalization of Causal Inferences [6.43357871718189]
実験の規模が限られていることが,一般化を統計的に実現不可能な課題にしていることを示す。
我々は、さらなる観察研究から得られた予測モデルを用いて、試行データを補う一般化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-06-05T02:44:14Z) - Demystifying amortized causal discovery with transformers [21.058343547918053]
観測データからの因果発見のための教師付き学習アプローチは、しばしば競争性能を達成する。
本研究では,CSIvAについて検討する。CSIvAは,合成データのトレーニングと実データへの転送を約束するトランスフォーマーモデルである。
既存の識別可能性理論とギャップを埋め、トレーニングデータ分布の制約がテスト観測の事前を暗黙的に定義していることを示します。
論文 参考訳（メタデータ） (2024-05-27T08:17:49Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳（メタデータ） (2024-02-02T05:53:22Z) - Testing for Overfitting [0.0]
オーバーフィッティング問題について議論し、トレーニングデータによる評価に標準値と集中値が成立しない理由を説明する。
本稿では,モデルの性能をトレーニングデータを用いて評価できる仮説テストを紹介し,議論する。
論文 参考訳（メタデータ） (2023-05-09T22:49:55Z) - Agree to Disagree: Diversity through Disagreement for Better
Transferability [54.308327969778155]
本稿では,D-BAT(Diversity-By-dis-Agreement Training)を提案する。
我々は、D-BATが一般化された相違の概念から自然に現れることを示す。
論文 参考訳（メタデータ） (2022-02-09T12:03:02Z) - Dense Out-of-Distribution Detection by Robust Learning on Synthetic
Negative Data [1.7474352892977458]
道路走行シーンとリモートセンシング画像における分布外異常の検出方法を示す。
我々は,カバレッジ指向学習の目的と異なる解像度でサンプルを生成する能力により,共同で訓練された正規化フローを活用する。
結果として得られたモデルは、道路走行シーンとリモートセンシング画像におけるアウト・オブ・ディストリビューション検出のためのベンチマークに、新たな技術状況を設定した。
論文 参考訳（メタデータ） (2021-12-23T20:35:10Z) - Predicting Unreliable Predictions by Shattering a Neural Network [145.3823991041987]
線形ニューラルネットワークは、サブファンクションに分割することができる。
サブファンクションは、独自のアクティベーションパターン、ドメイン、経験的エラーを持っている。
完全なネットワークに対する経験的エラーは、サブファンクションに対する期待として記述できる。
論文 参考訳（メタデータ） (2021-06-15T18:34:41Z) - Improving Maximum Likelihood Training for Text Generation with Density
Ratio Estimation [51.091890311312085]
本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。
本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
論文 参考訳（メタデータ） (2020-07-12T15:31:24Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z)
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。