論文の概要: Diffusion Based Causal Representation Learning

• arxiv url: http://arxiv.org/abs/2311.05421v1
• Date: Thu, 9 Nov 2023 14:59:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-10 15:08:32.086132
• Title: Diffusion Based Causal Representation Learning
• Title（参考訳）: 拡散に基づく因果表現学習
• Authors: Amir Mohammad Karimi Mamaghan, Andrea Dittadi, Stefan Bauer, Karl Henrik Johansson, Francesco Quinzan
• Abstract要約: 因果推論はインテリジェントシステムの基盤と見なすことができる。 因果表現学習に関するこれまでの研究は、変分オートエンコーダ(VAE)を中心にしている。 拡散に基づく因果表現学習(DCRL)アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 27.58853186215212
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal reasoning can be considered a cornerstone of intelligent systems. Having access to an underlying causal graph comes with the promise of cause-effect estimation and the identification of efficient and safe interventions. However, learning causal representations remains a major challenge, due to the complexity of many real-world systems. Previous works on causal representation learning have mostly focused on Variational Auto-Encoders (VAE). These methods only provide representations from a point estimate, and they are unsuitable to handle high dimensions. To overcome these problems, we proposed a new Diffusion-based Causal Representation Learning (DCRL) algorithm. This algorithm uses diffusion-based representations for causal discovery. DCRL offers access to infinite dimensional latent codes, which encode different levels of information in the latent code. In a first proof of principle, we investigate the use of DCRL for causal representation learning. We further demonstrate experimentally that this approach performs comparably well in identifying the causal structure and causal variables.
• Abstract（参考訳）: 因果推論はインテリジェントシステムの基盤と見なすことができる。 基礎となる因果グラフへのアクセスには、因果効果の推定と効率的かつ安全な介入の特定の約束が伴う。 しかし、多くの現実世界のシステムの複雑さのため、因果表現の学習は依然として大きな課題である。 因果表現学習に関するこれまでの研究は、主に変分オートエンコーダ(VAE)に焦点を当ててきた。 これらの手法は点推定からの表現しか提供せず、高次元を扱うには不適である。 これらの問題を解決するために,拡散に基づく因果表現学習(DCRL)アルゴリズムを提案する。 このアルゴリズムは因果発見に拡散に基づく表現を用いる。 DCRLは無限次元の潜伏符号へのアクセスを提供し、潜伏符号の様々なレベルの情報を符号化する。 第一原理証明では、因果表現学習におけるDCRLの使用について検討する。 さらに,この手法が因果構造と因果変数の同定に有効であることを実験的に示す。

関連論文リスト

• Optimal Causal Representations and the Causal Information Bottleneck [0.19799527196428243]
  Information Bottleneck (IB) 法は表現学習において広く用いられている手法である。 IBのような従来の手法は純粋に統計的であり、根底にある因果構造を無視する。 IB の因果拡張である Causal Information Bottleneck (CIB) を提案し、対象変数に対する因果制御を維持しつつ、選択した変数の集合を圧縮する。
  論文  参考訳（メタデータ） (2024-10-01T09:21:29Z)
• Identifiable Causal Representation Learning: Unsupervised, Multi-View, and Multi-Environment [10.814585613336778]
  因果表現学習は、機械学習のコアとなる強みと因果性を組み合わせることを目的としている。 この論文は、CRLが直接の監督なしに何が可能であるかを調査し、理論的基礎に寄与する。
  論文  参考訳（メタデータ） (2024-06-19T09:14:40Z)
• Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
  オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。 既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。 アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-03-19T18:57:53Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• A Causal Ordering Prior for Unsupervised Representation Learning [27.18951912984905]
  因果表現学習(Causal representation learning)は、データセットの変動の要因は、実際には因果関係にあると主張している。 本稿では,遅延付加雑音モデルを用いたデータ生成過程を考慮した,教師なし表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-11T18:12:05Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
  実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。 従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。 しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
  論文  参考訳（メタデータ） (2021-10-17T15:21:27Z)
• 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)
• Weakly Supervised Disentangled Generative Causal Representation Learning [21.392372783459013]
  本研究は, 従来手法では, 監督下においても, 因果関係の要因を解消できないことを示す。 本稿では、因果制御可能な生成と因果表現学習を可能にする、新たな非絡み合い学習法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T11:38:41Z)

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。