論文の概要: Using causal inference to avoid fallouts in data-driven parametric
analysis: a case study in the architecture, engineering, and construction
industry
- arxiv url: http://arxiv.org/abs/2309.11509v1
- Date: Mon, 11 Sep 2023 13:54:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-24 03:43:00.129365
- Title: Using causal inference to avoid fallouts in data-driven parametric
analysis: a case study in the architecture, engineering, and construction
industry
- Title(参考訳): データ駆動パラメトリック分析における因果推論による失敗の回避--建築・工学・建設業を事例として
- Authors: Xia Chen, Ruiji Sun, Ueli Saluz, Stefano Schiavon, Philipp Geyer
- Abstract要約: 実世界の実装における意思決定プロセスは、データ駆動モデルへの依存の高まりに影響を受けています。
本研究では,データ駆動手法,経験的ドメイン知識,第一原理シミュレーションの相乗パターンについて検討した。
- 参考スコア(独自算出の注目度): 0.7566148383213173
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The decision-making process in real-world implementations has been affected
by a growing reliance on data-driven models. We investigated the synergetic
pattern between the data-driven methods, empirical domain knowledge, and
first-principles simulations. We showed the potential risk of biased results
when using data-driven models without causal analysis. Using a case study
assessing the implication of several design solutions on the energy consumption
of a building, we proved the necessity of causal analysis during the
data-driven modeling process. We concluded that: (a) Data-driven models'
accuracy assessment or domain knowledge screening may not rule out biased and
spurious results; (b) Data-driven models' feature selection should involve
careful consideration of causal relationships, especially colliders; (c) Causal
analysis results can be used as an aid to first-principles simulation design
and parameter checking to avoid cognitive biases. We proved the benefits of
causal analysis when applied to data-driven models in building engineering.
- Abstract(参考訳): 現実世界の実装における意思決定プロセスは、データ駆動モデルへの依存の増大によって影響を受ける。
本研究では,データ駆動型手法,経験的ドメイン知識,第一原理シミュレーションの相乗パターンを検討した。
因果解析を伴わないデータ駆動モデルを用いた場合, バイアスのある結果の危険性を示した。
建物のエネルギー消費に対する複数の設計ソリューションの含意を評価するケーススタディを用いて,データ駆動モデリングプロセスにおける因果分析の必要性を実証した。
私たちはこう結論づけました
(a)データ駆動型モデルの精度評価やドメイン知識のスクリーニングは、偏見や刺激的な結果を除外するものではない。
b) データ駆動モデルの特徴選択は,因果関係,特に衝突者について慎重に考慮しなければならない。
(c)因果解析の結果は、第一原理シミュレーション設計とパラメータチェックの助けとなり、認知バイアスを避けることができる。
建築工学におけるデータ駆動モデルに適用することで因果分析の利点を証明した。
関連論文リスト
- Comparing analytic and data-driven approaches to parameter identifiability: A power systems case study [41.94295877935867]
本稿では,パラメータ識別可能性の定量化のための分析的アプローチとデータ駆動手法を比較し,比較する研究について報告する。
我々は、ベンチマーク問題として、パワーシステム領域からのよく理解されたモデルである無限バス同期ジェネレータモデルを使用します。
これらの結果とデータ駆動型多様体学習スキーム:出力拡散(英語版) - マップと幾何調和(英語版) (Geometric Harmonics) を比較した。
論文 参考訳(メタデータ) (2024-12-24T19:33:12Z) - Tests for model misspecification in simulation-based inference: from local distortions to global model checks [2.0209172586699173]
我々は、広範囲のモデル不一致分析タスクに対して、堅牢で柔軟な基盤を提供する。
我々は、異常検出、モデル検証、良質な残差分析といった古典的手法に明確な分析接続を行う。
本稿では, 実際の重力波データ, 特にGW150914について, このような歪み駆動型モデルの不特定試験を行う方法を示す。
論文 参考訳(メタデータ) (2024-12-19T17:48:03Z) - CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。
因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。
CAnDOITのPython実装も開発され、GitHubで公開されている。
論文 参考訳(メタデータ) (2024-10-03T13:57:08Z) - Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。
観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。
本手法は, 推定手法よりも有効であることを示す。
論文 参考訳(メタデータ) (2024-08-26T08:39:09Z) - Revisiting Spurious Correlation in Domain Generalization [12.745076668687748]
データ生成プロセスにおける因果関係を記述するために,構造因果モデル(SCM)を構築した。
さらに、スプリアス相関に基づくメカニズムを徹底的に分析する。
そこで本研究では,OOD一般化における共起バイアスの制御について,相対性スコア重み付き推定器を導入して提案する。
論文 参考訳(メタデータ) (2024-06-17T13:22:00Z) - Causal Disentangled Variational Auto-Encoder for Preference
Understanding in Recommendation [50.93536377097659]
本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。
この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
論文 参考訳(メタデータ) (2023-04-17T00:10:56Z) - Measuring Causal Effects of Data Statistics on Language Model's
`Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。
トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。
我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文 参考訳(メタデータ) (2022-07-28T17:36:24Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳(メタデータ) (2022-05-25T17:37:08Z) - 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) - Domain adaptation under structural causal models [2.627046865670577]
ドメイン適応(DA)は、モデルをトレーニングするために使用されるソースデータが、モデルをテストするために使用されるターゲットデータとは異なるときに発生する。
近年のDAの進歩は主に応用駆動型である。
本稿では,DA手法の予測性能の解析と比較を可能にする構造因果モデルによる理論的枠組みを提案する。
論文 参考訳(メタデータ) (2020-10-29T17:09:34Z) - How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。
データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。
フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文 参考訳(メタデータ) (2020-05-25T12:13:49Z)
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。