Fugu-MT 論文翻訳(概要): Omitted Labels in Causality: A Study of Paradoxes

論文の概要: Omitted Labels in Causality: A Study of Paradoxes

arxiv url: http://arxiv.org/abs/2311.06840v3
Date: Thu, 23 May 2024 12:58:14 GMT
ステータス: 処理完了
システム内更新日: 2024-05-26 20:13:50.748806
Title: Omitted Labels in Causality: A Study of Paradoxes
Title（参考訳）: 因果関係におけるオミテッドラベル : パラドックスの研究
Authors: Bijan Mazaheri, Siddharth Jain, Matthew Cook, Jehoshua Bruck,
Abstract要約: また, 適切な調整を行うには, 交換不能な治療群と制御群が必要であることも示唆した。これらの落とし穴は、異なる文脈から引き出された結論のネットワークに繋がる。
参考スコア（独自算出の注目度）: 8.502185148643255
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We explore what we call ``omitted label contexts,'' in which training data is limited to a subset of the possible labels. This setting is common among specialized human experts or specific focused studies. We lean on well-studied paradoxes (Simpson's and Condorcet) to illustrate the more general difficulties of causal inference in omitted label contexts. Contrary to the fundamental principles on which much of causal inference is built, we show that ``correct'' adjustments sometimes require non-exchangeable treatment and control groups. These pitfalls lead us to the study networks of conclusions drawn from different contexts and the structures the form, proving an interesting connection between these networks and social choice theory.
Abstract（参考訳）: トレーニングデータは、可能なラベルのサブセットに限られる、‘omitted label contexts,'’と呼ばれるものを調べます。この設定は専門の人間専門家や特定の専門的な研究に共通している。我々は、省略ラベル文脈における因果推論のより一般的な難しさを説明するために、よく研究されたパラドックス(シンプソンとコンドルチェット)を頼りにしている。因果推論の大半が構築されている基本原理とは対照的に、「正しい」調整は時に交換不能な処理と制御グループを必要とすることを示す。これらの落とし穴は、異なる文脈から引き出された結論のネットワークとその形態の研究につながり、これらのネットワークと社会的選択理論の間の興味深い関係が証明された。

関連論文リスト

New Rules for Causal Identification with Background Knowledge [59.733125324672656]
オープンな問題に対する新たな視点を提供するBKを導入するための2つの新しいルールを提案する。これらのルールは、観測データによる因果効果のセットを決定するなど、典型的な因果関係のタスクに適用可能であることを示す。
論文参考訳（メタデータ） (2024-07-21T20:21:21Z)
Multi-Label Classification for Implicit Discourse Relation Recognition [10.280148603465697]
暗黙的な談話関係認識のための多言語分類フレームワークについて検討する。本研究では,複数ラベルの分類手法が単一ラベルの予測性能を低下させないことを示す。
論文参考訳（メタデータ） (2024-06-06T19:37:25Z)
The Perspectivist Paradigm Shift: Assumptions and Challenges of Capturing Human Labels [44.10325464314817]
長く続くデータラベリングのプラクティスには、複数のアノテータからのラベルの収集と集約が含まれる。新しいパースペクティビストのアプローチは、不一致を貴重な情報源として扱うことによって、この仮定に挑戦する。我々は、データラベリングパイプラインの推奨と、主観性と不一致に関わる今後の研究への道程を結論付ける。
論文参考訳（メタデータ） (2024-05-09T15:48:07Z)
Automatic Alignment of Discourse Relations of Different Discourse Annotation Frameworks [5.439020425819001]
分類作業中にラベル埋め込みを学習するための完全自動アプローチを導入する。これらの埋め込みは、異なるフレームワークの談話関係をマッピングするために使われる。
論文参考訳（メタデータ） (2024-03-29T14:18:26Z)
Unsupervised Concept Discovery Mitigates Spurious Correlations [45.48778210340187]
トレーニングデータにおける急激な相関関係のモデルはしばしば脆い予測を発生させ、意図しないバイアスを導入する。本稿では,教師なし対象中心学習と突発的相関の緩和の新たな関連性を確立する。コバルト(CoBalT)は、サブグループの人間のラベル付けを必要とせず、効果的に素早い相関を緩和する概念バランス技術である。
論文参考訳（メタデータ） (2024-02-20T20:48:00Z)
Causal Discovery with Language Models as Imperfect Experts [119.22928856942292]
専門知識を用いて因果グラフの同定を改善する方法について検討する。整合性に基づく専門家の知識を改良するための戦略を提案する。本稿では,不完全な専門家として大規模言語モデルを用いる実データを用いたケーススタディについて報告する。
論文参考訳（メタデータ） (2023-07-05T16:01:38Z)
On Learning Latent Models with Multi-Instance Weak Supervision [57.18649648182171]
本稿では,複数の入力インスタンスに関連付けられた遷移関数$sigma$ラベルによって,教師信号が生成される弱い教師付き学習シナリオについて考察する。我々の問題は、潜在的な構造学習やニューロシンボリックな統合など、さまざまな分野で満たされている。
論文参考訳（メタデータ） (2023-06-23T22:05:08Z)
Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis [62.44432226563088]
因果推論は変数間の因果関係を捉えるプロセスである。本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。 GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
論文参考訳（メタデータ） (2021-04-19T16:13:10Z)
Label Leakage and Protection in Two-party Split Learning [31.55902526103684]
本稿では,不均衡な二項分類設定でその答えを検討する。まず,当事者間のコミュニケーション勾配のノルムを用いた単純な手法であるノームアタックが,参加者の接地ラベルをほとんど明らかにできることを示す。そこで我々は,ラベル検出の最悪のエラーを直接最大化する原理的手法を考案した。
論文参考訳（メタデータ） (2021-02-17T00:01:49Z)
Long-tail learning via logit adjustment [67.47668112425225]
現実世界の分類問題は通常、不均衡または長い尾のラベルの分布を示す。これは、そのようなラベルを一般化する上での課題であり、また、支配的なラベルに偏った「学習」をもたらさせる。これらの課題に対処するために、標準的なソフトマックスクロスエントロピートレーニングの2つの簡単な修正を提案する。
論文参考訳（メタデータ） (2020-07-14T19:27:13Z)
Learnability with Indirect Supervision Signals [74.39088325025378]
間接的な監視信号からの学習は、ゴールドラベルが欠落している場合やコストが高すぎる場合、現実世界のAIアプリケーションにおいて重要である。我々は、ゴールドラベルとゼロでない相互情報を含む変数によって監督が提供される場合に、マルチクラス分類のための統一的な理論フレームワークを開発する。本フレームワークは文献における仮定を緩和し,未知,非可逆,インスタンス依存のトランジションによる学習を支援する。
論文参考訳（メタデータ） (2020-06-15T21:57:11Z)

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。