論文の概要: Relation-Oriented: Toward Knowledge-Aligned Causal AI

• arxiv url: http://arxiv.org/abs/2307.16387v3
• Date: Sat, 5 Aug 2023 01:58:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 10:48:37.398203
• 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、観測変数が事前に存在し、関係構築の段階を設定する観察指向原理を自然に適用する。 従来のモデルには十分だが、ビッグデータとAIの統合は、観測モデルと実際の理解との相違を露呈する。 本研究は,コンピュータビジョンと健康情報学の直感的な例に照らされた,現在のモデリングパラダイムにおけるこの誤認識の根源について考察する。
• 参考スコア（独自算出の注目度）: 23.190950510131437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In machine learning, we naturally apply an Observation-Oriented principle, in which observational variables preexist and set the stage for constructing relationships. While sufficient for traditional models, the integration of AI with big data exposes the misalignment between the observational models and our actual comprehension. Contrarily, humans shape cognitive entities defined by relationships, enabling us to formulate knowledge across temporal and hyper-dimensional spaces, rather than being confined to observational constructs. From an innovative Relation-Oriented perspective, this study examines the roots of this misalignment within our current modeling paradigm, illuminated by intuitive examples from computer vision and health informatics. We also introduce the relation-defined representation learning methodology as a practical implementation of Relation-Oriented modeling, supported by extensive experimental validation. Consider an analogy where ants dwell on a two-dimensional plane of a floor. If these ants were to construct models, they might use the nearest tree as a reference to specify the elevation in their two-dimensional models. By modeling, they observe an increased disruption at the tree's mid-level, which indicates a higher chance of encountering children. However, since they fail to comprehend humans as three-dimensional beings, instead of interpreting this phenomenon in a new dimension, "height", they solely relate it to the tree's mid-level. If they migrate to a different tree with a varying height, where mid-level no longer presents a risk, they might conclude that human behavior is too complex to model effectively. Similarly, when modeling time series, we usually discount the dimension, "time", as a single timeline, which has become our "tree".
• Abstract（参考訳）: 機械学習では、観測変数が事前に存在し、関係構築の段階を設定する観察指向原理を自然に適用する。 従来のモデルには十分だが、ビッグデータとAIの統合は、観測モデルと実際の理解との相違を露呈する。 対照的に、人間は関係によって定義された認知的実体を形作り、観察的な構成物に限定されるのではなく、時間的空間と超次元空間にまたがる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の直観的な例に照らされた,現在のモデリングパラダイムにおける,このミスアライメントのルーツについて考察する。 また,関係指向モデリングの実践的実装として,広範な実験検証によって支援される関係定義表現学習手法を提案する。 アリが床の二次元平面に居住する類似性を考える。 これらのアリがモデルを構築する場合、最も近い木を基準として2次元モデルの標高を指定することができる。 モデリングによって、彼らは木の中間層での破壊が増加し、子供に遭遇する確率が高いことを示す。 しかし、人間を3次元の人間だと理解できないため、この現象を「高さ」という新しい次元で解釈する代わりに、木の中間層にのみ関連付ける。 身長の異なる別の木に移行し、中間レベルがもはやリスクを示さない場合、人間の行動は効果的にモデル化するには複雑すぎると結論づけるかもしれない。 同様に、時系列をモデル化するとき、私たちは通常、一つのタイムラインとして「時間」という次元を割引します。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• 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 [82.14087963690561]
  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)
• 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。