論文の概要: A Review and Roadmap of Deep Causal Model from Different Causal Structures and Representations

• arxiv url: http://arxiv.org/abs/2311.00923v1
• Date: Thu, 2 Nov 2023 01:31:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 15:16:51.662318
• Title: A Review and Roadmap of Deep Causal Model from Different Causal Structures and Representations
• Title（参考訳）: 異なる因果構造と表現からの深部因果モデルのレビューとロードマップ
• Authors: Hang Chen and Keqing Du and Chenguang Li and Xinyu Yang
• Abstract要約: 我々は因果データを,定値データ,半定値データ,不定値データという3つのカテゴリに再定義する。 定値データとは、従来の因果的シナリオで使用される統計データであり、半定値データは、ディープラーニングにドイツのデータフォーマットのスペクトルを指す。 不確定データは、我々のデータフォームの進行から推定される創発的な研究領域である。
• 参考スコア（独自算出の注目度）: 23.87336875544181
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The fusion of causal models with deep learning introducing increasingly intricate data sets, such as the causal associations within images or between textual components, has surfaced as a focal research area. Nonetheless, the broadening of original causal concepts and theories to such complex, non-statistical data has been met with serious challenges. In response, our study proposes redefinitions of causal data into three distinct categories from the standpoint of causal structure and representation: definite data, semi-definite data, and indefinite data. Definite data chiefly pertains to statistical data used in conventional causal scenarios, while semi-definite data refers to a spectrum of data formats germane to deep learning, including time-series, images, text, and others. Indefinite data is an emergent research sphere inferred from the progression of data forms by us. To comprehensively present these three data paradigms, we elaborate on their formal definitions, differences manifested in datasets, resolution pathways, and development of research. We summarize key tasks and achievements pertaining to definite and semi-definite data from myriad research undertakings, present a roadmap for indefinite data, beginning with its current research conundrums. Lastly, we classify and scrutinize the key datasets presently utilized within these three paradigms.
• Abstract（参考訳）: 画像内の因果関係やテキストコンポーネント間の因果関係など、より複雑なデータセットを導入する深層学習を伴う因果関係モデルの融合が焦点研究領域として浮上している。 それにもかかわらず、そのような複雑で非統計的なデータへの元の因果概念と理論の広がりは深刻な課題に直面している。 そこで本研究では,因果データの再定義を,因果構造と表現の観点から,定値データ,半定値データ,不定値データという3つのカテゴリに分類する。 定型データは、主に従来の因果的シナリオで使用される統計データに関係し、半定型データは、時系列、画像、テキストなどを含む深層学習のためのデータフォーマットのスペクトルを指す。 不確定データは、データフォームの進行から推定される創発的な研究領域である。 これら3つのデータパラダイムを包括的に提示するために,形式的定義,データセットに現れる相違点,解決経路,研究の展開について詳述する。 我々は,無数の研究事業から得られた定値および半定値データに関する重要な課題と成果を要約し,現在の研究成果から始まった不定値データのロードマップを示す。 最後に、これらの3つのパラダイムで現在使われている重要なデータセットを分類し、精査する。

関連論文リスト

• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• Towards Causal Relationship in Indefinite Data: Baseline Model and New Datasets [23.035761299444953]
  「不確定データ」は多構造データと多値表現を特徴とする。 高品質なデータセットとして、CausalogueとCausactionの2つをリリースしています。 このギャップに3つの設計されたハイライトを取り入れた確率的フレームワークをベースラインとして提案する。
  論文  参考訳（メタデータ） (2024-01-16T09:15:43Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• A Comprehensive Survey on Generative Diffusion Models for Structured Data [0.0]
  生成拡散モデルは 深層生成モデルにおいて 急激なパラダイムシフトを達成しました 構造化データは、ディープラーニング研究コミュニティから比較的限られた注目を集めている。 このレビューは、構造化データの生成拡散モデルの発展を促進する研究コミュニティの触媒となる。
  論文  参考訳（メタデータ） (2023-06-07T04:26:41Z)
• Towards Causal Representation Learning and Deconfounding from Indefinite Data [17.793702165499298]
  非統計データ(画像、テキストなど)は、従来の因果データとプロパティやメソッドの点で重大な対立に遭遇する。 2つの新しい視点から因果データを再定義し、3つのデータパラダイムを提案する。 非定値データから因果表現を学習するための動的変分推論モデルとして,上記の設計を実装した。
  論文  参考訳（メタデータ） (2023-05-04T08:20:37Z)
• Causal Discovery from Temporal Data: An Overview and New Perspectives [6.251443497694126]
  時間データの分析は、様々なアプリケーションに非常に有用である。 因果的発見 時間的データから因果関係を 学ぶことは 興味深いが 重要な課題だ 本稿では,2つのカテゴリ間の相関関係を定義し,既存のソリューションの体系的概要を提供する。
  論文  参考訳（メタデータ） (2023-03-17T16:45:01Z)
• Data-SUITE: Data-centric identification of in-distribution incongruous examples [81.21462458089142]
  Data-SUITEは、ID(In-distriion)データの不連続領域を特定するためのデータ中心のフレームワークである。 我々は,Data-SUITEの性能保証とカバレッジ保証を実証的に検証する。
  論文  参考訳（メタデータ） (2022-02-17T18:58:31Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)
• Are We Hungry for 3D LiDAR Data for Semantic Segmentation? A Survey and Experimental Study [5.6780397318769245]
  3Dセマンティックセグメンテーションは、ロボットおよび自律運転アプリケーションの基本課題である。 最近の研究はディープラーニング技術の利用に重点を置いているが、細かな注釈付き3DLiDARデータセットの開発は非常に労働集約的である。 不十分なデータセットによって引き起こされるパフォーマンスの制限は、データ飢餓問題と呼ばれる。
  論文  参考訳（メタデータ） (2020-06-08T01:20:59Z)

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。