論文の概要: Towards Causal Relationship in Indefinite Data: Baseline Model and New
Datasets
- arxiv url: http://arxiv.org/abs/2401.08221v1
- Date: Tue, 16 Jan 2024 09:15:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 14:37:14.096372
- Title: Towards Causal Relationship in Indefinite Data: Baseline Model and New
Datasets
- Title（参考訳）: 不確定データの因果関係:ベースラインモデルと新しいデータセット
- Authors: Hang Chen, Xinyu Yang, Keqing Du
- Abstract要約: 「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。
- 参考スコア（独自算出の注目度）: 23.035761299444953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Integrating deep learning and causal discovery has encouraged us to spot that
learning causal structures and representations in dialogue and video is full of
challenges. We defined These data forms as "Indefinite Data", characterized by
multi-structure data and multi-value representations. Unlike existing adaptable
data forms, Indefinite Data still faces gaps in datasets and methods. To
address the dataset gap, we release two high-quality datasets - Causalogue and
Causaction, containing text dialogue samples and video action samples with
causal annotations respectively. Moreover, the method gap arises from the
coexistence of multi-structure data and multi-value representations, breaking
the assumptions of all current methods and rendering them infeasible on
Indefinite Data. To this end, we propose a probabilistic framework as a
baseline, incorporating three designed highlights for this gap: 1) establishing
Causation Condition of representations using the independence of noise terms
under non-fixed causal structures, 2) treating causal strength as a latent
variable and measuring the reconstruction loss in the correlation space, and 3)
estimating the effects of latent confounders. These highpoints make the
probabilistic model capable of overcoming challenges brought by the coexistence
of multi-structure data and multi-value representations and pave the way for
the extension of latent confounders. Comprehensive experiments have evaluated
baseline results of causal structures, causal representations, and confounding
disentanglement.
- Abstract（参考訳）: 深層学習と因果発見を統合することで、対話やビデオにおける因果構造と表現の学習が課題に満ちていることに気付きました。
これらのデータ形式を「不定値データ」と定義し,多構造データと多値表現を特徴とする。
既存の適応可能なデータ形式とは異なり、不定値データはまだデータセットとメソッドのギャップに直面している。
データセットギャップに対処するため、コーサログとコーサアクションの2つの高品質データセットをリリースし、それぞれ因果アノテーション付きテキスト対話サンプルとビデオアクションサンプルを含む。
さらに、この方法のギャップは、多構造データと多値表現の共存から生じ、現在のすべてのメソッドの仮定を破り、不確定データで実現できないものにする。
この目的のために,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。
1)非固定因果構造の下でのノイズ項の独立を用いた表現の因果条件の設定
2)因果強度を潜在変数として扱い,相関空間における再構成損失を測定し,
3) 潜在共同設立者の影響を推定する。
これらのハイポイントにより、確率モデルは、多構造データと多値表現の共存によって引き起こされる課題を克服し、潜在共同創設者の拡張への道を開くことができる。
総合的な実験は、因果構造、因果表現、不整合の基本的な結果を評価する。
関連論文リスト
- DAGnosis: Localized Identification of Data Inconsistencies using
Structures [73.39285449012255]
機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。
我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。
我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
論文 参考訳（メタデータ） (2024-02-26T11:29:16Z) - A Review and Roadmap of Deep Causal Model from Different Causal
Structures and Representations [23.87336875544181]
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。
論文 参考訳（メタデータ） (2023-11-02T01:31:42Z) - SSL Framework for Causal Inconsistency between Structures and
Representations [23.035761299444953]
深層学習と因果発見のクロスポリン化は、画像、ビデオ、テキストなどの統計的でないデータ形式における因果関係の解明を目指す、急成長する研究分野を触媒している。
我々は、不確定データに適した介入戦略を理論的に開発し、因果一貫性条件(CCC)を導出する。
CCCは様々な分野で重要な役割を果たす可能性がある。
論文 参考訳（メタデータ） (2023-10-28T08:29:49Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳（メタデータ） (2023-10-24T07:46:10Z) - Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。
本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。
2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文 参考訳（メタデータ） (2023-08-24T16:06:36Z) - 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) - DOT-VAE: Disentangling One Factor at a Time [1.6114012813668934]
本稿では,変分オートエンコーダの潜伏空間を乱交空間で拡張し,Wake-Sleep-inspireed two-step algorithm for unsupervised disentanglementを用いて学習する手法を提案する。
我々のネットワークは、解釈可能な独立した因子を一度に1つのデータから切り離すことを学び、それを非絡み合った潜在空間の異なる次元にエンコードし、因子の数やそれらの共同分布について事前の仮定をしない。
論文 参考訳（メタデータ） (2022-10-19T22:53:02Z) - Exploring the Trade-off between Plausibility, Change Intensity and
Adversarial Power in Counterfactual Explanations using Multi-objective
Optimization [73.89239820192894]
自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。
本稿では, 対実例生成のための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2022-05-20T15:02:53Z) - Uncovering Main Causalities for Long-tailed Information Extraction [14.39860866665021]
データセットの選択バイアスによって引き起こされる長い尾の分布は、誤った相関をもたらす可能性がある。
これは、データの背後にある主な因果関係を明らかにすることを目的とした、新しいフレームワークである。
論文 参考訳（メタデータ） (2021-09-11T08:08:24Z) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳（メタデータ） (2020-07-21T08:18:06Z) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳（メタデータ） (2020-02-23T22:52:28Z)
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。