論文の概要: Causal knowledge engineering: A case study from COVID-19

• arxiv url: http://arxiv.org/abs/2403.14100v1
• Date: Thu, 21 Mar 2024 03:23:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-22 15:36:52.243713
• Title: Causal knowledge engineering: A case study from COVID-19
• Title（参考訳）: 因果知識工学 : COVID-19の事例研究
• Authors: Steven Mascaro, Yue Wu, Ross Pearson, Owen Woodberry, Jessica Ramsay, Tom Snelling, Ann E. Nicholson,
• Abstract要約: 新型コロナウイルス(COVID-19)は2020年初頭に突然出現し、非常に不確実な状況の中で急激な対応を必要とした。 我々のチームは、新型コロナウイルスの多様な側面のためのいくつかの因果BNからなる因果知識基盤を開発するための知識エンジニアリングプロセスに着手しました。 ここではCKE法について述べるとともに,本手法の詳細な議論と分析を行うために,私たちの新型コロナウイルス研究を事例研究として活用する。
• 参考スコア（独自算出の注目度）: 2.6642754249961103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: COVID-19 appeared abruptly in early 2020, requiring a rapid response amid a context of great uncertainty. Good quality data and knowledge was initially lacking, and many early models had to be developed with causal assumptions and estimations built in to supplement limited data, often with no reliable approach for identifying, validating and documenting these causal assumptions. Our team embarked on a knowledge engineering process to develop a causal knowledge base consisting of several causal BNs for diverse aspects of COVID-19. The unique challenges of the setting lead to experiments with the elicitation approach, and what emerged was a knowledge engineering method we call Causal Knowledge Engineering (CKE). The CKE provides a structured approach for building a causal knowledge base that can support the development of a variety of application-specific models. Here we describe the CKE method, and use our COVID-19 work as a case study to provide a detailed discussion and analysis of the method.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)は2020年初頭に突然出現し、非常に不確実な状況の中で急激な対応を必要とした。 良質なデータと知識が当初不足していたため、多くの初期のモデルは、限られたデータを補うために、因果的仮定と推定を組み込んで開発され、しばしばこれらの因果的仮定を特定し、検証し、文書化するための信頼性の高いアプローチを持っていなかった。 我々のチームは、新型コロナウイルスの多様な側面のためのいくつかの因果BNからなる因果知識基盤を開発するための知識エンジニアリングプロセスに着手しました。 この設定のユニークな課題は、導入アプローチの実験に結びつき、私たちがCausal Knowledge Engineering (CKE)と呼ぶ知識工学手法が出現しました。 CKEは、様々なアプリケーション固有のモデルの開発を支援するための因果知識ベースを構築するための構造化されたアプローチを提供する。 ここではCKE法について述べるとともに,本手法の詳細な議論と分析を行うために,私たちの新型コロナウイルス研究を事例研究として活用する。

関連論文リスト

• Chain-of-Knowledge: Integrating Knowledge Reasoning into Large Language Models by Learning from Knowledge Graphs [55.317267269115845]
  Chain-of-Knowledge (CoK)は知識推論のための包括的なフレームワークである。 CoKにはデータセット構築とモデル学習の両方のための方法論が含まれている。 KnowReasonで広範な実験を行う。
  論文  参考訳（メタデータ） (2024-06-30T10:49:32Z)
• Towards CausalGPT: A Multi-Agent Approach for Faithful Knowledge Reasoning via Promoting Causal Consistency in LLMs [60.244412212130264]
  Causal-Consistency Chain-of-Thoughtは、基礎モデルの忠実さと因果性を強化するために、マルチエージェントコラボレーションを活用する。 我々のフレームワークは、広範囲かつ包括的な評価を通じて、最先端の手法よりも大きな優位性を示す。
  論文  参考訳（メタデータ） (2023-08-23T04:59:21Z)
• Leveraging Skill-to-Skill Supervision for Knowledge Tracing [13.753990664747265]
  知識追跡は知的学習システムにおいて重要な役割を担っている。 知識追跡モデルの最近の進歩は、問題解決の歴史をよりうまく活用することを可能にしている。 知識を直接組み込む知識トレースアルゴリズムは、限られたデータやコールドスタートの設定において重要である。
  論文  参考訳（メタデータ） (2023-06-12T03:23:22Z)
• A Conceptual Model for End-to-End Causal Discovery in Knowledge Tracing [8.049552839071918]
  我々は,知識追跡における因果発見問題の解決に向けて,予備的な一歩を踏み出した。 第3回NeurIPS 2022章「教育における学習経路の因果的洞察への挑戦」の項目の1つにその解決策が挙げられた。
  論文  参考訳（メタデータ） (2023-05-11T21:20:29Z)
• A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
  本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。 我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。 提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
  論文  参考訳（メタデータ） (2022-06-30T02:35:04Z)
• 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)
• ArT: All-round Thinker for Unsupervised Commonsense Question-Answering [54.068032948300655]
  本稿では,知識生成における関連性を完全に取り除き,オールラウンド思考者(ArT)のアプローチを提案する。 我々は、COPA、SocialIQA、SCTの3つの共通センスQAベンチマークで評価した。
  論文  参考訳（メタデータ） (2021-12-26T18:06:44Z)
• CausalBERT: Injecting Causal Knowledge Into Pre-trained Models with Minimal Supervision [29.802713631332246]
  既存の訓練済みモデルは、今日のNLPシステムが人間のように考えるのを防ぐ因果知識を欠いている。 CaulBERTは、正確な因果パターンと因果埋め込み技術を用いて、最大の因果資源を収集する。
  論文  参考訳（メタデータ） (2021-07-21T02:49:46Z)
• Incremental Knowledge Based Question Answering [52.041815783025186]
  人間と同じように学習能力を段階的に拡張できるインクリメンタルKBQA学習フレームワークを提案します。 具体的には、破滅的な忘れ問題を克服するために、マージン希釈損失と協調選択方法からなる。 包括的な実験は、進化する知識ベースに取り組む際にその効果と効率を示す。
  論文  参考訳（メタデータ） (2021-01-18T09:03:38Z)

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。