論文の概要: Diagrammatic Modelling of Causality and Causal Relations
- arxiv url: http://arxiv.org/abs/2310.11042v1
- Date: Tue, 17 Oct 2023 07:17:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-21 14:59:26.395729
- Title: Diagrammatic Modelling of Causality and Causal Relations
- Title（参考訳）: 因果関係と因果関係のダイアグラムモデル
- Authors: Sabah Al-Fedaghi
- Abstract要約: 本稿では、因果関係の図式モデル(図形)について述べる。
我々は,この文脈において,物作り機械の概念言語(TM)をツールとして使用することを試みた。
その結果, TMによる因果関係の描写はより完全であり, 因果グラフの基礎となることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It has been stated that the notion of cause and effect is one object of study
that sciences and engineering revolve around. Lately, in software engineering,
diagrammatic causal inference methods (e.g., Pearl s model) have gained
popularity (e.g., analyzing causes and effects of change in software
requirement development). This paper concerns diagrammatical (graphic) models
of causal relationships. Specifically, we experiment with using the conceptual
language of thinging machines (TMs) as a tool in this context. This would
benefit works on causal relationships in requirements engineering, enhance our
understanding of the TM modeling, and contribute to the study of the
philosophical notion of causality. To specify the causality in a system s
description is to constrain the system s behavior and thus exclude some
possible chronologies of events. The notion of causality has been studied based
on tools to express causal questions in diagrammatic and algebraic forms.
Causal models deploy diagrammatic models, structural equations, and
counterfactual and interventional logic. Diagrammatic models serve as a
language for representing what we know about the world. The research
methodology in the paper focuses on converting causal graphs into TM models and
contrasts the two types of representation. The results show that the TM
depiction of causality is more complete and therefore can provide a foundation
for causal graphs.
- Abstract（参考訳）: 原因と効果の概念は、科学と工学が取り組んだ研究の1つの対象であると言われている。
近年、ソフトウェア工学において、図式因果推論法(例:Pearl sモデル)が人気を集めている(例:ソフトウェア要件開発における原因と変化の影響の分析)。
本稿では,因果関係の図式モデルについて述べる。
具体的には,この文脈において,thinging machine(tms)の概念言語をツールとして用いる実験を行う。
これは要求工学における因果関係の研究、tmモデリングの理解の強化、因果関係の哲学的概念の研究に寄与するであろう。
システム s 記述における因果関係を特定するには、システム s の振る舞いを制約し、イベントの可能性のある時系列を除外する。
因果性の概念は、図形および代数形式で因果問題を表現するツールに基づいて研究されてきた。
因果モデルは、図式モデル、構造方程式、反事実的および介入的論理を展開する。
ダイアグラムモデルは、我々が世界について知っていることを表現するための言語として機能する。
本稿では、因果グラフをTMモデルに変換することに焦点を当て、2種類の表現を対比する。
その結果,TMによる因果関係の描写はより完全であり,因果グラフの基礎となることが示唆された。
関連論文リスト
- Emergence and Causality in Complex Systems: A Survey on Causal Emergence
and Related Quantitative Studies [12.78006421209864]
因果発生理論は出現を定量化するために因果関係の尺度を用いる。
因果の出現を定量化し、データを識別する。
因果表現学習,因果モデル抽象化,世界モデルに基づく強化学習によって,因果表現の出現を識別するアーキテクチャが共有されることを強調した。
論文 参考訳（メタデータ） (2023-12-28T04:20:46Z) - Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
得られた知識を有向非巡回因果グラフの形で公開することを提案する。
また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。
提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
論文 参考訳（メタデータ） (2023-09-30T20:59:42Z) - Causal models in string diagrams [0.0]
因果モデル(英語版)の枠組みは、今日多くの科学的領域で適用されている因果推論に対する原則化されたアプローチを提供する。
本稿では,この枠組みを,圏論を用いて形式的に解釈した文字列図形言語に提示する。
因果モデルフレームワークによる因果推論は、最も自然かつ直感的に図式推論として行われることを議論し、実証する。
論文 参考訳（メタデータ） (2023-04-15T21:54:48Z) - CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
グラフ上での対実的説明生成の問題について検討する。
グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。
本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
論文 参考訳（メタデータ） (2022-10-16T04:35:32Z) - Markov categories, causal theories, and the do-calculus [7.061298918159947]
我々は、有向非巡回グラフ(DAG)上の因果推論の構文を形式化する因果モデルのカテゴリー理論的扱いを与える。
この枠組みは、抽象的かつ「純粋に因果的」の観点から因果的推論において重要な概念を定義し、研究することを可能にする。
論文 参考訳（メタデータ） (2022-04-11T01:27:41Z) - CausalKG: Causal Knowledge Graph Explainability using interventional and
counterfactual reasoning [0.0]
人間は日常的な意思決定、計画、人生の出来事の理解において因果関係と仮説的振り返りを用いる。
それは世界の因果モデルを開発し、少ないデータポイントで学習し、推論を行い、反現実的なシナリオを考えます。
因果知識グラフ(Causal Knowledge Graph, CausalKG)フレームワークは、因果性やKGの最近の進歩を説明可能性に活用する。
論文 参考訳（メタデータ） (2022-01-06T20:27:19Z) - Systematic Evaluation of Causal Discovery in Visual Model Based
Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。
因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。
本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文 参考訳（メタデータ） (2021-07-02T05:44:56Z) - Towards Causal Representation Learning [96.110881654479]
機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。
現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
論文 参考訳（メタデータ） (2021-02-22T15:26:57Z) - Fuzzy Stochastic Timed Petri Nets for Causal properties representation [68.8204255655161]
因果関係はしばしば有向グラフで表され、原因を示すノードと因果関係を表すリンクがある。
因果シナリオをグラフィカルに表現するために使われる一般的な方法は、ニューロン、真理表、因果ベイズネットワーク、認知地図、ペトリネットである。
従来のモデルは、前述のプロパティのいくつかを別々に表現できるが、それら全てをはっきりと説明しようとはしないことを示す。
論文 参考訳（メタデータ） (2020-11-24T13:22:34Z) - Causal Discovery in Physical Systems from Videos [123.79211190669821]
因果発見は人間の認知の中心にある。
本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
論文 参考訳（メタデータ） (2020-07-01T17:29:57Z)
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。