論文の概要: A Forecaster's Review of Judea Pearl's Causality: Models, Reasoning and
Inference, Second Edition, 2009
- arxiv url: http://arxiv.org/abs/2308.05451v1
- Date: Thu, 10 Aug 2023 09:17:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 12:57:02.847358
- Title: A Forecaster's Review of Judea Pearl's Causality: Models, Reasoning and
Inference, Second Edition, 2009
- Title(参考訳): Forecaster's Review of Judea Pearl's Causality: Models, Reasoning and Inference, Second Edition, 2009
- Authors: Feng Li
- Abstract要約: このレビューでは、Judea Pearl氏のオリジナルの因果関係に関する本の第2版で更新された主要なトピックについて取り上げる。
予測シナリオにおいて、簡単に追従できる因果推論戦略を示す。
- 参考スコア(独自算出の注目度): 3.4606522590632203
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the big popularity and success of Judea Pearl's original causality book,
this review covers the main topics updated in the second edition in 2009 and
illustrates an easy-to-follow causal inference strategy in a forecast scenario.
It further discusses some potential benefits and challenges for causal
inference with time series forecasting when modeling the counterfactuals,
estimating the uncertainty and incorporating prior knowledge to estimate causal
effects in different forecasting scenarios.
- Abstract(参考訳): judea pearl氏のオリジナルの因果関係に関する書籍の人気と成功とともに、このレビューでは2009年の第2版で更新された主要なトピックを取り上げ、予測シナリオにおける因果関係推論戦略について説明している。
さらに,反事実のモデル化や不確実性の推定,予測シナリオにおける因果効果推定のための事前知識の導入といった,時系列予測を伴う因果推論の潜在的なメリットと課題についても論じた。
関連論文リスト
- Loss Shaping Constraints for Long-Term Time Series Forecasting [86.6877920044998]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-14T18:20:44Z) - Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。
ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。
以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
論文 参考訳(メタデータ) (2023-10-12T08:51:59Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-24T07:54:13Z) - Causal Knowledge Guided Societal Event Forecasting [24.437437565689393]
本稿では,因果効果推定をイベント予測に組み込むディープラーニングフレームワークを提案する。
機能再重み付けモジュールと近似損失を含む2つの頑健な学習モジュールを導入し、事前の知識注入を可能にする。
論文 参考訳(メタデータ) (2021-12-10T17:41:02Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - Bad and good errors: value-weighted skill scores in deep ensemble
learning [0.0]
証拠に基づいて予測誤差の重大度を評価するための戦略を導入する。
本稿では,予測値に重要な意味を持つ,混乱行列とスキルスコアの新たな定義を提案する。
本稿では,公害,宇宙気象,株式賞の予測に関する3つの応用事例において,このアプローチの性能を示す。
論文 参考訳(メタデータ) (2021-03-04T08:05:13Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳(メタデータ) (2020-06-30T15:49:05Z) - Adversarial Attacks on Probabilistic Autoregressive Forecasting Models [7.305979446312823]
我々は、単一値の列ではなく確率分布の列を出力するニューラルネットワークに対する効果的な逆攻撃を生成する。
提案手法は,2つの課題において,入力摂動の少ない攻撃を効果的に生成できることを実証する。
論文 参考訳(メタデータ) (2020-03-08T13:08:34Z)
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。