論文の概要: Invariant Causal Set Covering Machines

• arxiv url: http://arxiv.org/abs/2306.04777v2
• Date: Wed, 19 Jul 2023 22:41:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 17:46:54.008318
• Title: Invariant Causal Set Covering Machines
• Title（参考訳）: 不変因果集合被覆機
• Authors: Thibaud Godon, Baptiste Bauvin, Pascal Germain, Jacques Corbeil, Alexandre Drouin
• Abstract要約: 決定木のようなルールベースのモデルは、解釈可能な性質のために実践者にアピールする。 しかし、そのようなモデルを生成する学習アルゴリズムは、しばしば刺激的な関連に弱いため、因果関係の洞察を抽出することが保証されていない。 Invariant Causal Set Covering Machines は、古典的集合被覆マシンアルゴリズムの拡張であり、二値ルールの結合/分離を可能とし、スプリアス関係を確実に回避する。
• 参考スコア（独自算出の注目度）: 64.86459157191346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rule-based models, such as decision trees, appeal to practitioners due to their interpretable nature. However, the learning algorithms that produce such models are often vulnerable to spurious associations and thus, they are not guaranteed to extract causally-relevant insights. In this work, we build on ideas from the invariant causal prediction literature to propose Invariant Causal Set Covering Machines, an extension of the classical Set Covering Machine algorithm for conjunctions/disjunctions of binary-valued rules that provably avoids spurious associations. We demonstrate both theoretically and empirically that our method can identify the causal parents of a variable of interest in polynomial time.
• Abstract（参考訳）: 決定木のような規則に基づくモデルは、その解釈可能な性質から実践者にアピールする。 しかし、そのようなモデルを生成する学習アルゴリズムは、しばしば散発的な関連に弱いため、因果関係のある洞察を抽出することは保証されていない。 本研究では, 因果予測文学のアイデアに基づいて, 因果関係を確実に回避する二値規則の結合/分離のための古典的集合被覆マシンアルゴリズムの拡張である不変因果集合被覆マシンを提案する。 本手法が多項式時間に興味のある変数の因果親を同定できることを理論的および実証的に証明する。

関連論文リスト

• CausalConceptTS: Causal Attributions for Time Series Classification using High Fidelity Diffusion Models [1.068128849363198]
  特定の分類結果に対する概念の因果効果を評価するための新しい枠組みを提案する。 我々は、現状の拡散に基づく生成モデルを利用して、反現実的な結果を推定する。 我々のアプローチは、これらの因果属性と、理論的にも経験的にも、密接に関連する関連属性を比較する。
  論文  参考訳（メタデータ） (2024-05-24T18:33:18Z)
• Algorithmic syntactic causal identification [0.8901073744693314]
  因果的ベイズネット(CBN)の因果的識別は因果的推論において重要なツールである。 d-分離やdo-calculusといった手法を用いた因果同定の定式化は、古典的確率論の数学的言語で表現されている。 古典的確率論を対称モノイド圏の代替公理的基礎に置き換えることで、この制限を解除できることを示す。
  論文  参考訳（メタデータ） (2024-03-14T17:14:53Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• Algebraic Models for Qualified Aggregation in General Rough Sets, and Reasoning Bias Discovery [0.0]
  この研究は、懐疑的、悲観的、楽観的、あるいは懐疑的な人間の推論の集約をモデル化したいという欲求に動機づけられている。 このモデルは、人間の推論における差別的・有害な行動の研究や、そのような行動を学ぶ機械学習アルゴリズムに適している。
  論文  参考訳（メタデータ） (2023-08-30T17:07:54Z)
• On Regularization and Inference with Label Constraints [62.60903248392479]
  機械学習パイプラインにおけるラベル制約を符号化するための2つの戦略、制約付き正規化、制約付き推論を比較した。 正規化については、制約に不整合なモデルを前置することで一般化ギャップを狭めることを示す。 制約付き推論では、モデルの違反を訂正することで人口リスクを低減し、それによってその違反を有利にすることを示す。
  論文  参考訳（メタデータ） (2023-07-08T03:39:22Z)
• Exposing Attention Glitches with Flip-Flop Language Modeling [55.0688535574859]
  この研究は、大きな言語モデルにおける注意点の現象を特定し、分析する。 ニューラルネットワークモデルの外挿挙動を探索するために設計された,合成ベンチマークのファミリであるフリップフロップ言語モデリング(FFLM)を導入する。 その結果,Transformer FFLM は散発的推論誤差の長い尾に悩まされていることがわかった。
  論文  参考訳（メタデータ） (2023-06-01T17:44:35Z)
• Risk Measures and Upper Probabilities: Coherence and Stratification [7.88657961743755]
  機械学習の数学的基礎として、古典的確率論のより豊かな代替を考察する。 スペクトルリスク測度、チョーケ積分、ローレンツノルムといった、強力で豊富な代替アグリゲーション汎函数について検討する。 我々は、この新しい不確実性に対するアプローチが、実践的な機械学習問題に取り組むのにどのように役立つかを実証的に示す。
  論文  参考訳（メタデータ） (2022-06-07T11:08:16Z)
• The Causal Marginal Polytope for Bounding Treatment Effects [9.196779204457059]
  グローバル因果モデルを構築することなく因果関係を同定する手法を提案する。 我々は,グローバル因果モデルを構築することなく,因果モデルの限界とデータとの整合性を強制する。 我々はこの局所的に一貫した辺縁の集合を、因果的辺縁ポリトープと呼ぶ。
  論文  参考訳（メタデータ） (2022-02-28T15:08:22Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)

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。