論文の概要: A Brief Introduction to Causal Inference in Machine Learning
- arxiv url: http://arxiv.org/abs/2405.08793v1
- Date: Tue, 14 May 2024 17:41:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-15 13:08:43.134934
- Title: A Brief Introduction to Causal Inference in Machine Learning
- Title（参考訳）: 機械学習における因果推論入門
- Authors: Kyunghyun Cho,
- Abstract要約: この講義ノートは、ニューヨーク大学データサイエンスセンターで、DS-GA 3001.003 "Special Topics in DS - Causal Inference in Machine Learning"のために作成されている。
- 参考スコア（独自算出の注目度）: 51.31735291774885
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This is a lecture note produced for DS-GA 3001.003 "Special Topics in DS - Causal Inference in Machine Learning" at the Center for Data Science, New York University in Spring, 2024. This course was created to target master's and PhD level students with basic background in machine learning but who were not exposed to causal inference or causal reasoning in general previously. In particular, this course focuses on introducing such students to expand their view and knowledge of machine learning to incorporate causal reasoning, as this aspect is at the core of so-called out-of-distribution generalization (or lack thereof.)
- Abstract（参考訳）: DS-GA 3001.003 "Special Topics in DS - Causal Inference in Machine Learning" の講義ノート。
このコースは、機械学習の基本的背景を持つが、これまでは因果推論や因果推論に晒されていなかった修士・博士レベルの学生を対象に作られた。
特に、このコースは、いわゆるアウト・オブ・ディストリビューションの一般化(あるいはその欠如)の核心である因果推論を取り入れるために、機械学習の視点と知識を広げるために、そのような学生を導入することに焦点を当てている。
関連論文リスト
- Experiences with Research Processes in an Undergraduate Theory of
Computing Course [0.30458514384586394]
コンピュータ理論(ToC)コースは、多くの学部生CSカリキュラムにおいて必須である。
ToCコースの共通研究環境を模擬会議代行によってエミュレートした。
論文 参考訳（メタデータ） (2023-10-03T11:37:06Z) - Kernels, Data & Physics [0.43748379918040853]
ノートは、機械学習における問題に対するいわゆるNTKアプローチについて議論する。
主にデータ蒸留や対向ロバスト性といった実践的な応用に焦点が当てられている。
論文 参考訳（メタデータ） (2023-07-05T23:51:05Z) - Deep Learning to See: Towards New Foundations of Computer Vision [88.69805848302266]
この本はコンピュータビジョンの分野における科学的進歩を批判している。
情報に基づく自然法則の枠組みにおける視覚の研究を提案する。
論文 参考訳（メタデータ） (2022-06-30T15:20:36Z) - Open Environment Machine Learning [84.90891046882213]
従来の機械学習研究は、学習プロセスの重要な要素が不変であるような近世界のシナリオを想定している。
本稿では,新しいクラスを創出する技術,デクリメンタル/インクリメンタルな特徴,データ分散の変化,学習目標の変化,理論的諸問題について概説する。
論文 参考訳（メタデータ） (2022-06-01T11:57:56Z) - Guiding Visual Question Answering with Attention Priors [76.21671164766073]
本稿では,言語・視覚的接地による注意機構の導出について述べる。
この基礎は、クエリ内の構造化言語概念を視覚オブジェクト間の参照物に接続することで導かれる。
このアルゴリズムは、注意に基づく推論モデルを調べ、関連する連想的知識を注入し、コア推論プロセスを制御する。
論文 参考訳（メタデータ） (2022-05-25T09:53:47Z) - Towards Causal Representation Learning [96.110881654479]
機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。
現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
論文 参考訳（メタデータ） (2021-02-22T15:26:57Z) - Patterns, predictions, and actions: A story about machine learning [59.32629659530159]
この機械学習に関する大学院教科書は、データのパターンが予測と連続的なアクションをどのようにサポートするかを物語っている。
因果関係の自己完結した導入、因果推論の実践、逐次的な意思決定、強化学習は、読者に行動とその結果について推論するための概念とツールを与える。
論文 参考訳（メタデータ） (2021-02-10T03:42:03Z) - Abduction and Argumentation for Explainable Machine Learning: A Position
Survey [2.28438857884398]
本稿では, 推論の2つの原則形式として, 帰納法と論証法を提案する。
機械学習の中で彼らが果たせる基本的な役割を具体化します。
論文 参考訳（メタデータ） (2020-10-24T13:23:44Z) - Causality Learning: A New Perspective for Interpretable Machine Learning [15.556963808865918]
解釈可能な機械学習は、現在、研究コミュニティで主要なトピックです。
本稿では,基礎的背景と重要な概念を用いた因果解析の概要を述べるとともに,直近の因果解析における因果解析手法を要約する。
論文 参考訳（メタデータ） (2020-06-27T13:01:28Z)
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。