論文の概要: A Dynamical View of the Question of Why
- arxiv url: http://arxiv.org/abs/2402.10240v2
- Date: Tue, 27 Feb 2024 22:11:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 17:54:43.739637
- Title: A Dynamical View of the Question of Why
- Title(参考訳): 何故かという問いに対するダイナミックな見方
- Authors: Mehdi Fatemi and Sindhu Gowda
- Abstract要約: 因果的貢献を計算し、それらを強化学習問題とみなすための2つの重要な補題を提示する。
我々の手法は拡散過程における因果関係の解明と定量化のための形式的および計算ツールを提供する。
かなり複雑な実験やせん断学習によって、我々のフレームワークは因果関係を明らかにし、定量化する。
- 参考スコア(独自算出の注目度): 10.243488468625783
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We address causal reasoning in multivariate time series data generated by
stochastic processes. Existing approaches are largely restricted to static
settings, ignoring the continuity and emission of variations across time. In
contrast, we propose a learning paradigm that directly establishes causation
between events in the course of time. We present two key lemmas to compute
causal contributions and frame them as reinforcement learning problems. Our
approach offers formal and computational tools for uncovering and quantifying
causal relationships in diffusion processes, subsuming various important
settings such as discrete-time Markov decision processes. Finally, in fairly
intricate experiments and through sheer learning, our framework reveals and
quantifies causal links, which otherwise seem inexplicable.
- Abstract(参考訳): 確率過程によって生成される多変量時系列データにおける因果推論に対処する。
既存のアプローチは静的な設定に限られており、時間の経過とともに変化の連続性と放出が無視される。
対照的に、時間経過中の事象間の因果関係を直接確立する学習パラダイムを提案する。
因果関係を計算し,強化学習問題として扱うための2つの重要な補題を提案する。
本手法は拡散過程における因果関係の解明と定量化のための公式および計算ツールを提供し,離散時間マルコフ決定過程などの重要な設定を仮定する。
最後に、かなり複雑な実験とせん断学習によって、我々のフレームワークは因果関係を明らかにし、定量化する。
関連論文リスト
- 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) - Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse
Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。
本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。
学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
論文 参考訳(メタデータ) (2024-01-10T02:38:21Z) - Causal Discovery and Prediction: Methods and Algorithms [0.0]
本論文では、各介入の一般的なa-priori評価について紹介する。
任意の因果モデルにおける因果関係を同定する能動学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-18T01:19:37Z) - Causal discovery for time series with constraint-based model and PMIME
measure [0.0]
本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。
提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
論文 参考訳(メタデータ) (2023-05-31T09:38:50Z) - Path Signature Area-Based Causal Discovery in Coupled Time Series [0.0]
本稿では,2変数間の符号付き領域の大きさの意義を解析するために,信頼度系列の応用を提案する。
このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供する。
論文 参考訳(メタデータ) (2021-10-23T19:57:22Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-07T10:14:18Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-05-06T08:48:02Z) - Contrastive learning of strong-mixing continuous-time stochastic
processes [53.82893653745542]
コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。
拡散の場合,小~中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
論文 参考訳(メタデータ) (2021-03-03T23:06:47Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳(メタデータ) (2021-01-17T07:48:45Z)
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。