論文の概要: Quantitative causality, causality-guided scientific discovery, and causal machine learning

• arxiv url: http://arxiv.org/abs/2402.13427v1
• Date: Tue, 20 Feb 2024 23:38:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-22 17:45:06.128773
• Title: Quantitative causality, causality-guided scientific discovery, and causal machine learning
• Title（参考訳）: 定量的因果性、因果誘導型科学的発見、因果機械学習
• Authors: X. San Liang, Dake Chen and Renhe Zhang
• Abstract要約: このノートは、因果分析の厳密な形式主義を確立するための10年にわたる努力の簡単なレビューを提供する。 これには、主要な理論的結果のリスト、因果的な深層学習フレームワークのスケッチ、地球科学におけるいくつかの代表的な実世界の応用が含まれている。
• 参考スコア（独自算出の注目度）: 0.23020018305241333
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It has been said, arguably, that causality analysis should pave a promising way to interpretable deep learning and generalization. Incorporation of causality into artificial intelligence (AI) algorithms, however, is challenged with its vagueness, non-quantitiveness, computational inefficiency, etc. During the past 18 years, these challenges have been essentially resolved, with the establishment of a rigorous formalism of causality analysis initially motivated from atmospheric predictability. This not only opens a new field in the atmosphere-ocean science, namely, information flow, but also has led to scientific discoveries in other disciplines, such as quantum mechanics, neuroscience, financial economics, etc., through various applications. This note provides a brief review of the decade-long effort, including a list of major theoretical results, a sketch of the causal deep learning framework, and some representative real-world applications in geoscience pertaining to this journal, such as those on the anthropogenic cause of global warming, the decadal prediction of El Ni\~no Modoki, the forecasting of an extreme drought in China, among others.
• Abstract（参考訳）: 因果分析は、おそらく、解釈可能な深層学習と一般化のための有望な方法となるだろうと言われている。 しかし、人工知能(AI)アルゴリズムに因果関係を組み込むことは、あいまいさ、非定性性、計算の非効率性などによって困難である。 過去18年間、これらの課題は基本的に解決され、大気の予測可能性から動機付けられた因果解析の厳密な形式主義が確立された。 これは、大気・海洋科学、すなわち情報の流れの新しい分野を開くだけでなく、様々な応用を通じて、量子力学、神経科学、金融経済学などの他の分野における科学的発見につながっている。 この論文は、主要な理論的成果のリスト、因果的深層学習フレームワークのスケッチ、地球温暖化の人為的原因に関するもの、el ni\~no modokiのデカダル予測、中国での極端な干ばつ予測など、この雑誌に関連する地球科学におけるいくつかの代表的な実世界応用を含む、十年にわたる取り組みの簡単なレビューを提供する。

関連論文リスト

• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Evaluation of OpenAI o1: Opportunities and Challenges of AGI [112.0812059747033]
  o1-previewは目覚ましい能力を示し、しばしば人間レベルまたは優れたパフォーマンスを実現した。 このモデルは、様々な分野にわたる複雑な推論と知識の統合を必要とするタスクに優れていた。 総合的な結果は、人工知能への大きな進歩を示している。
  論文  参考訳（メタデータ） (2024-09-27T06:57:00Z)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Causality for Earth Science -- A Review on Time-series and Spatiotemporal Causality Methods [2.790669554650619]
  本稿では、因果的発見と因果的推論の概要を述べ、根底にある因果的仮定を説明し、評価手法を列挙する。 本論文は,時系列および時間因果解析に導入された最先端の手法と,その強みと限界を取り入れたものである。
  論文  参考訳（メタデータ） (2024-04-03T14:33:23Z)
• Research on Personal Credit Risk Assessment Methods Based on Causal Inference [6.184711584674839]
  本稿では、1945年にサミュエル・アイレンバーグとサンダース・マクレーンによって提唱された圏論を用いた因果関係の新しい定義を紹介する。 カテゴリー理論関連技術ツールの開発に限界があるため、1995年にジュデア・パールが提唱した広く使われている確率因果グラフツールを採用する。
  論文  参考訳（メタデータ） (2024-03-17T13:34:45Z)
• Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems [268.585904751315]
  科学のためのAI(AI4Science)として知られる新しい研究領域 領域は、物理世界(波動関数と電子密度)、原子(分子、タンパク質、物質、相互作用)、マクロ(流体、気候、地下)まで理解することを目的としている。 主要な課題は、物理第一原理、特に対称性を深層学習法によって自然システムで捉える方法である。
  論文  参考訳（メタデータ） (2023-07-17T12:14:14Z)
• Discovering Causal Relations and Equations from Data [23.802778299505288]
  本稿では、物理学の幅広い分野における因果関係と方程式発見に関する概念、方法、および関連する研究について概説する。 我々は、観察因果関係と方程式発見のための分類法を提供し、接続を指摘し、ケーススタディの完全なセットを示します。 興奮する時間は、複雑なシステムに対する理解を改善するための多くの課題と機会に先立ちます。
  論文  参考訳（メタデータ） (2023-05-21T19:22:50Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• Robust Causality and False Attribution in Data-Driven Earth Science Discoveries [0.3503794925747607]
  因果研究と帰属研究は、地球科学的な発見や気候、生態学、水の政策を知らせるために不可欠である。 ここでは,移動エントロピーに基づく因果グラフが,統計的に有意に拡張された場合でも飛躍的であることを示す。 我々は,頑健な因果解析のためのサブサンプルに基づくアンサンブル手法を開発した。
  論文  参考訳（メタデータ） (2022-09-26T10:45:48Z)
• A Causal Research Pipeline and Tutorial for Psychologists and Social Scientists [7.106986689736828]
  因果関係は世界を理解する科学的努力の基本的な部分である。 残念なことに、因果関係は心理学や社会科学の多くの分野においていまだに曖昧である。 研究に因果的アプローチを採用することの重要性に対する多くの勧告によって、我々は、必然的に因果的理論を研究パイプラインの他の部分と調和させるために、心理学における研究の典型的なアプローチを再構築する。
  論文  参考訳（メタデータ） (2022-06-10T15:11:57Z)
• A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
  我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。 このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
  論文  参考訳（メタデータ） (2020-06-05T08:04:37Z)

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。