論文の概要: Causal discovery using dynamically requested knowledge

• arxiv url: http://arxiv.org/abs/2310.11154v1
• Date: Tue, 17 Oct 2023 11:21:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-18 16:18:51.950634
• Title: Causal discovery using dynamically requested knowledge
• Title（参考訳）: 動的要求知識を用いた因果発見
• Authors: Neville K Kitson and Anthony C Constantinou
• Abstract要約: Causal Bayesian Networks (CBN) は、複雑な実世界のシステムにおいて不確実性の下で推論するための重要なツールである。 本研究では,構造学習アルゴリズム自体が,アルゴリズムが不確実であると認識する関係について,知識を動的に識別し,要求する新たなアプローチについて検討する。 構造的精度は,既存の知識統合手法よりも大幅に向上した。
• 参考スコア（独自算出の注目度）: 7.904709685523615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal Bayesian Networks (CBNs) are an important tool for reasoning under uncertainty in complex real-world systems. Determining the graphical structure of a CBN remains a key challenge and is undertaken either by eliciting it from humans, using machine learning to learn it from data, or using a combination of these two approaches. In the latter case, human knowledge is generally provided to the algorithm before it starts, but here we investigate a novel approach where the structure learning algorithm itself dynamically identifies and requests knowledge for relationships that the algorithm identifies as uncertain during structure learning. We integrate this approach into the Tabu structure learning algorithm and show that it offers considerable gains in structural accuracy, which are generally larger than those offered by existing approaches for integrating knowledge. We suggest that a variant which requests only arc orientation information may be particularly useful where the practitioner has little preexisting knowledge of the causal relationships. As well as offering improved accuracy, the approach can use human expertise more effectively and contributes to making the structure learning process more transparent.
• Abstract（参考訳）: Causal Bayesian Networks (CBN) は、複雑な実世界のシステムにおいて不確実性の下で推論するための重要なツールである。 CBNのグラフィカルな構造を決定することは依然として重要な課題であり、人間からそれを引き出すか、機械学習を使ってデータから学習するか、これら2つのアプローチを組み合わせることで実行されます。 後者の場合、開始前に人的知識がアルゴリズムに提供されるのが一般的であるが、構造学習アルゴリズム自体が構造学習中に不確実であると認識する関係について、動的に知識を識別・要求する新しいアプローチを考察する。 本稿では,この手法をタブ構造学習アルゴリズムに統合し,既存の知識統合手法に比べて構造精度が大幅に向上することを示す。 本研究は,実践者が因果関係の知識をほとんど持っていない場合に,弧方向情報のみを要求する変種が特に有用であることを示唆する。 精度の向上に加えて、このアプローチは人間の専門知識をより効果的に活用し、構造学習プロセスの透明性向上に寄与する。

関連論文リスト

• StructRAG: Boosting Knowledge Intensive Reasoning of LLMs via Inference-time Hybrid Information Structurization [94.31508613367296]
  Retrieval-augmented Generation(RAG)は、大規模言語モデル(LLM)を効果的に強化する鍵となる手段である。 本稿では,手前のタスクに対して最適な構造型を識別し,元の文書をこの構造化形式に再構成し,その結果に基づいて回答を推測するStructRAGを提案する。 実験の結果、StructRAGは最先端のパフォーマンスを実現し、特に挑戦的なシナリオに優れていた。
  論文  参考訳（メタデータ） (2024-10-11T13:52:44Z)
• A Unified and General Framework for Continual Learning [58.72671755989431]
  継続学習(CL)は、以前取得した知識を維持しながら、動的かつ変化するデータ分布から学ぶことに焦点を当てている。 正規化ベース、ベイズベース、メモリ再生ベースなど、破滅的な忘れ込みの課題に対処する様々な手法が開発されている。 本研究の目的は,既存の方法論を包含し,整理する包括的かつ包括的な枠組みを導入することで,このギャップを埋めることである。
  論文  参考訳（メタデータ） (2024-03-20T02:21:44Z)
• Informed Meta-Learning [55.2480439325792]
  メタラーニングとインシデントMLは、事前知識をMLパイプラインに組み込むための2つのアプローチとして際立っている。 我々は,非構造化知識表現からの事前の取り込みを容易にする,情報メタラーニングというハイブリッドパラダイムを定式化する。 データ効率、観測ノイズに対する堅牢性、タスク分散シフトを改善する上で、情報メタラーニングの潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2024-02-25T15:08:37Z)
• UNTER: A Unified Knowledge Interface for Enhancing Pre-trained Language Models [100.4659557650775]
  構造化知識と非構造化知識の両方を活用する統一的な視点を提供するために、統一知識インターフェイスUNTERを提案する。 どちらの形態の知識も注入され、UNTERは一連の知識駆動NLPタスクの継続的な改善を得る。
  論文  参考訳（メタデータ） (2023-05-02T17:33:28Z)
• Sample-Efficient Reinforcement Learning in the Presence of Exogenous Information [77.19830787312743]
  実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。 本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。 内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
  論文  参考訳（メタデータ） (2022-06-09T05:19:32Z)
• Ontology-enhanced Prompt-tuning for Few-shot Learning [41.51144427728086]
  少ないショットラーニングは、限られたサンプル数に基づいて予測を行うことを目的としている。 知識グラフやオントロジーライブラリなどの構造化データは、様々なタスクにおける数ショット設定の恩恵を受けるために利用されてきた。
  論文  参考訳（メタデータ） (2022-01-27T05:41:36Z)
• Learning Bayesian Networks in the Presence of Structural Side Information [22.734574764075226]
  本研究では,システムに関する構造的側面情報が得られる場合に,変数の集合のベイズネットワーク(BN)を学習する問題について検討する。 そこで我々は,そのような知識を学習プロセスに効率的に組み込むアルゴリズムを開発した。 我々の研究の結果、木幅の有界BNは複雑に学習できることが示されている。
  論文  参考訳（メタデータ） (2021-12-20T22:14:19Z)
• Enforcing and Discovering Structure in Machine Learning [18.750116414606698]
  学習アルゴリズムの解に対応する構造特性を強制することは賢明かもしれない。 本論文では,学習アルゴリズムの解の構成に関する2つの異なる研究分野について考察する。
  論文  参考訳（メタデータ） (2021-11-26T15:34:55Z)
• A survey of Bayesian Network structure learning [8.411014222942168]
  本稿では,データからBN構造を学習するための61のアルゴリズムについてレビューする。 各アルゴリズムの基本的アプローチは一貫性のある言葉で説明され、それらの類似点と相違点が強調された。 実世界のデータセットでのデータノイズに対処し、学習プロセスに専門家の知識を取り入れるためのアプローチについても紹介する。
  論文  参考訳（メタデータ） (2021-09-23T14:54:00Z)
• On the Exploitation of Neuroevolutionary Information: Analyzing the Past for a More Efficient Future [60.99717891994599]
  本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。 本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
  論文  参考訳（メタデータ） (2021-05-26T20:55:29Z)
• Information fusion between knowledge and data in Bayesian network structure learning [5.994412766684843]
  本稿では,オープンソースのベイジィス構造学習システムで実装された情報融合手法について述べる。 結果は、限定データとビッグデータの両方で示され、ベイジスで利用可能なBN構造学習アルゴリズムが3つ適用されている。
  論文  参考訳（メタデータ） (2021-01-31T15:45:29Z)

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。