Fugu-MT 論文翻訳(概要): CausalDisco: Causal discovery using knowledge graph link prediction

論文の概要: CausalDisco: Causal discovery using knowledge graph link prediction

arxiv url: http://arxiv.org/abs/2405.02327v1
Date: Tue, 23 Apr 2024 20:50:06 GMT
ステータス: 処理完了
システム内更新日: 2024-05-12 15:50:33.711981
Title: CausalDisco: Causal discovery using knowledge graph link prediction
Title（参考訳）: CausalDisco:知識グラフリンク予測を用いた因果発見
Authors: Utkarshani Jaimini, Cory Henson, Amit P. Sheth,
Abstract要約: CausalDiscoは因果関係の説明と因果関係の予測という2つのタイプの発見をサポートしている。このアプローチの評価には、因果推論のためのシミュレーションビデオのベンチマークデータセットであるCLEVRER-Humansを用いる。その結果,重み付き因果関係を用いることで,重み付き関係を伴わないベースライン上の因果関係の発見が向上することが示唆された。
参考スコア（独自算出の注目度）: 5.3454230926797734
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Causal discovery is a process of discovering new causal relations from observational data. Traditional causal discovery methods often suffer from issues related to missing data To address these issues, this paper presents a novel approach called CausalDisco that formulates causal discovery as a knowledge graph completion problem. More specifically, the task of discovering causal relations is mapped to the task of knowledge graph link prediction. CausalDisco supports two types of discovery: causal explanation and causal prediction. The causal relations have weights representing the strength of the causal association between entities in the knowledge graph. An evaluation of this approach uses a benchmark dataset of simulated videos for causal reasoning, CLEVRER-Humans, and compares the performance of multiple knowledge graph embedding algorithms. In addition, two distinct dataset splitting approaches are utilized within the evaluation: (1) random-based split, which is the method typically used to evaluate link prediction algorithms, and (2) Markov-based split, a novel data split technique for evaluating link prediction that utilizes the Markovian property of the causal relation. Results show that using weighted causal relations improves causal discovery over the baseline without weighted relations.
Abstract（参考訳）: 因果発見は、観測データから新たな因果関係を発見する過程である。従来の因果発見法は,これらの問題に対処するため,知識グラフ補完問題として因果発見を定式化するCausalDiscoという新しい手法を提案する。具体的には、因果関係を発見するタスクを知識グラフリンク予測のタスクにマップする。 CausalDiscoは因果関係の説明と因果関係の予測という2つのタイプの発見をサポートしている。因果関係は、知識グラフ内のエンティティ間の因果関係の強さを表す重みを持つ。このアプローチの評価には、因果推論のためのシミュレーションビデオのベンチマークデータセットであるCLEVRER-Humansを使用し、複数の知識グラフ埋め込みアルゴリズムの性能を比較する。さらに,(1) 因果関係のマルコフ特性を利用してリンク予測を評価する新しいデータ分割手法である,(2) マルコフに基づくスプリット法と,(2) ランダムベースのスプリット法を用いてリンク予測アルゴリズムの評価を行う。その結果,重み付き因果関係を用いることで,重み付き関係を伴わないベースライン上の因果関係の発見が向上することが示唆された。

関連論文リスト

CausalGraph2LLM: Evaluating LLMs for Causal Queries [49.337170619608145]
因果関係は科学研究において不可欠であり、研究者は変数間の真の関係を解釈することができる。近年のLarge Language Models (LLMs) の発展に伴い,因果推論の能力を探究することへの関心が高まっている。
論文参考訳（メタデータ） (2024-10-21T12:12:21Z)
Influence of Backdoor Paths on Causal Link Prediction [0.0]
CausalLPBackは、バックドアパスを排除し、知識グラフリンク予測手法を使用する因果リンク予測の新しいアプローチである。この評価には、因果リンク予測に関連するマルコフに基づく分割と呼ばれるユニークなデータセット分割方法が含まれる。
論文参考訳（メタデータ） (2024-09-12T22:16:36Z)
CEGRL-TKGR: A Causal Enhanced Graph Representation Learning Framework for Improving Temporal Knowledge Graph Extrapolation Reasoning [1.6795461001108096]
時間的知識グラフ推論(TKGR)のための革新的な因果拡張グラフ表現学習フレームワークを提案する。まず、時間グラフ列における実体と関係の進化的表現を、2つの異なる成分、すなわち因果表現と共起表現に分解する。
論文参考訳（メタデータ） (2024-08-15T03:34:53Z)
Constructing and Interpreting Causal Knowledge Graphs from News [3.3071569417370745]
多くの金融職は、過去と現在における因果関係について学ぶためにニュースに頼り、将来についての情報的な決定と予測を行う。本稿では,(1)因果関係の抽出,(2)論点クラスタリングと表現のKGへの変換という2つのステップを用いて,ニュースから因果知識グラフ(KG)を構築する手法を提案する。
論文参考訳（メタデータ） (2023-05-16T11:33:32Z)
DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
論文参考訳（メタデータ） (2023-03-12T03:40:21Z)
Towards Causal Analysis of Empirical Software Engineering Data: The Impact of Programming Languages on Coding Competitions [10.51554436183424]
本稿では,構造因果モデルに基づく新しい手法について述べる。 Code Jamにおけるプログラマのパフォーマンスに関する公開データを解析するために,これらのアイデアを適用した。全く同じデータの純粋に関連性のある解析と因果解析の間には,かなりの差が認められた。
論文参考訳（メタデータ） (2023-01-18T13:46:16Z)
Graph Collaborative Reasoning [18.45161138837384]
グラフ協調推論(GCR)は、論理的推論の観点からグラフ上の関係推論に隣接リンク情報を使用することができる。そこで我々は,グラフ構造を論理式に変換する簡単な手法を提案し,リンク予測タスクをニューラルネットワーク推論問題に変換する。本研究の有効性を示すため,一般的なベンチマークデータセットに基づくリンク予測やレコメンデーションなどのグラフ関連タスクの実験を行った。
論文参考訳（メタデータ） (2021-12-27T14:27:58Z)
Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文参考訳（メタデータ） (2021-11-20T18:57:18Z)
Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。実験結果は,提案手法の有効性と有用性を検証した。
論文参考訳（メタデータ） (2021-04-21T09:06:54Z)
Fuzzy Stochastic Timed Petri Nets for Causal properties representation [68.8204255655161]
因果関係はしばしば有向グラフで表され、原因を示すノードと因果関係を表すリンクがある。因果シナリオをグラフィカルに表現するために使われる一般的な方法は、ニューロン、真理表、因果ベイズネットワーク、認知地図、ペトリネットである。従来のモデルは、前述のプロパティのいくつかを別々に表現できるが、それら全てをはっきりと説明しようとはしないことを示す。
論文参考訳（メタデータ） (2020-11-24T13:22:34Z)
One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
論文参考訳（メタデータ） (2020-10-23T03:24:44Z)

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。