論文の概要: Relation-Oriented: Toward Knowledge-Aligned Causal AI
- arxiv url: http://arxiv.org/abs/2307.16387v1
- Date: Mon, 31 Jul 2023 03:32:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 15:59:57.448101
- Title: Relation-Oriented: Toward Knowledge-Aligned Causal AI
- Title(参考訳): 関係指向:知識整合因果aiへ向けて
- Authors: Jia Li, Xiang Li
- Abstract要約: 機械学習では、観測変数が関係の基盤として機能する観察指向の原理を直感的に採用する。
対照的に、人間は関係を通して索引付けされた認知エンティティを構築し、時間空間と超次元空間の知識を定式化することができる。
本研究は,コンピュータビジョンと健康情報学から直感的な例を抽出し,リレーショナル・オリエント・パースペクティブ(Relation-Oriented perspective)を提案する。
- 参考スコア(独自算出の注目度): 23.190950510131437
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In machine learning, we intuitively adopt an Observation-Oriented principle
where observational variables act as the bedrock for relationships. It may
suffice for conventional models, but with AI's capacities incorporating big
data, it accentuates the misalignment between purely observational models and
our actual comprehension. In contrast, humans construct cognitive entities
indexed through relationships, which are not confined by observations, allowing
us to formulate knowledge across temporal and hyper-dimensional spaces. This
study introduces a novel Relation-Oriented perspective, drawing intuitive
examples from computer vision and health informatics, to redefine our context
of modeling with a causal focus. Furthermore, we present an implementation
method - the relation-defined representation modeling, the feasibility of which
is substantiated through comprehensive experiments.
- Abstract(参考訳): 機械学習では、観測変数が関係の基盤となる観察指向の原理を直感的に採用する。
従来のモデルでは十分かも知れませんが、ビッグデータを組み込んだAIの能力によって、純粋な観測モデルと実際の理解との相違が強調されます。
対照的に、人間は、観察によって制限されない関係を通して索引付けされた認知エンティティを構築し、時間空間と超次元空間の知識を定式化することができる。
本研究では,コンピュータビジョンとヘルスインフォマティクスから直感的な例を抽出し,因果焦点によるモデリングの文脈を再定義する,新しい関係指向視点を提案する。
さらに,関係定義表現モデルの実装手法を提案し,その実現可能性について包括的実験により検証した。
関連論文リスト
- TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data [0.42156176975445486]
本稿では,時系列因果ニューラルネットワーク(TS-Causal Neural Network,TS-CausalNN)を提案する。
単純な並列設計に加えて、提案モデルの利点は、データの非定常性と非線形性を自然に扱うことである。
論文 参考訳(メタデータ) (2024-04-01T20:33:29Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [85.67870425656368]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳(メタデータ) (2023-10-24T07:46:10Z) - From Temporal to Contemporaneous Iterative Causal Discovery in the
Presence of Latent Confounders [6.365889364810238]
本稿では,観測時系列データから因果構造を学習するための制約に基づくアルゴリズムを提案する。
我々は、時間的・同時的な因果関係を持つ離散的、定常的な構造的ベクトル自己回帰過程を仮定する。
提案アルゴリズムは、時間的長期関係を短時間で学習することで、因果グラフを徐々に洗練し、同時期関係を最後に学習する。
論文 参考訳(メタデータ) (2023-06-01T12:46:06Z) - TC-GAT: Graph Attention Network for Temporal Causality Discovery [6.974417592057705]
因果関係はしばしば時間的要素と絡み合っており、原因から効果への進行は瞬間的ではなく、時間的次元において収束している。
本稿では,時間的・因果関係を統合したテキストから因果関係を抽出する手法を提案する。
本稿では,時間的関係に重みを割り当てるグラフアテンション機構を採用し,因果知識グラフを利用して隣接行列を決定する新しいモデルTC-GATを提案する。
論文 参考訳(メタデータ) (2023-04-21T02:26:42Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳(メタデータ) (2022-04-25T19:06:48Z) - 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) - Neural Relational Inference with Efficient Message Passing Mechanisms [10.329082213561785]
本稿では,これらの問題に対処するための構造的事前知識を持つグラフニューラルネットワークに,効率的なメッセージパッシング機構を導入する。
すべての関係の共存を捕捉する関係相互作用機構を提案し、エラーの蓄積を緩和するために履歴情報を用いてアテンポラルメッセージパッシング機構を提案する。
論文 参考訳(メタデータ) (2021-01-23T11:27:31Z) - 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) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z)
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。