論文の概要: Marrying Causal Representation Learning with Dynamical Systems for Science

• arxiv url: http://arxiv.org/abs/2405.13888v2
• Date: Thu, 05 Dec 2024 13:03:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:38:23.723739
• Title: Marrying Causal Representation Learning with Dynamical Systems for Science
• Title（参考訳）: 科学のための動的システムによる因果表現学習の結婚
• Authors: Dingling Yao, Caroline Muller, Francesco Locatello,
• Abstract要約: 因果表現学習は、生の絡み合った測定から隠れた因果変数に因果モデルを拡張することを約束する。 本稿では,2つの仮定とそれらの重要な仮定との間に明確な関係を描いている。 我々は、より下流のタスクに対して、軌跡固有のパラメータを分離する制御可能なモデルを明示的に学習する。
• 参考スコア（独自算出の注目度）: 20.370707645572676
• License:
• Abstract: Causal representation learning promises to extend causal models to hidden causal variables from raw entangled measurements. However, most progress has focused on proving identifiability results in different settings, and we are not aware of any successful real-world application. At the same time, the field of dynamical systems benefited from deep learning and scaled to countless applications but does not allow parameter identification. In this paper, we draw a clear connection between the two and their key assumptions, allowing us to apply identifiable methods developed in causal representation learning to dynamical systems. At the same time, we can leverage scalable differentiable solvers developed for differential equations to build models that are both identifiable and practical. Overall, we learn explicitly controllable models that isolate the trajectory-specific parameters for further downstream tasks such as out-of-distribution classification or treatment effect estimation. We experiment with a wind simulator with partially known factors of variation. We also apply the resulting model to real-world climate data and successfully answer downstream causal questions in line with existing literature on climate change.
• Abstract（参考訳）: 因果表現学習は、生の絡み合った測定から隠れた因果変数に因果モデルを拡張することを約束する。 しかし、ほとんどの進歩は異なる設定での識別可能性の証明に焦点を合わせており、我々は実際のアプリケーションの成功を知らない。 同時に、動的システムの分野はディープラーニングの恩恵を受け、数え切れないほど多くのアプリケーションに拡張されたが、パラメータの識別はできない。 本稿では,2つの仮定と重要な仮定との間に明確な関係を描き,因果表現学習で開発された同定可能な手法を動的システムに適用する。 同時に、微分方程式のために開発されたスケーラブルな微分可能解法を利用して、同定可能かつ実用的なモデルを構築することができる。 全体として、アウト・オブ・ディストリビューション分類や治療効果推定などの下流タスクのために、トラジェクトリ固有のパラメータを分離する制御可能なモデルについて学習する。 風速の変動要因を部分的に把握した風速シミュレータを実験した。 また、実際の気候データにも結果モデルを適用し、既存の気候変動に関する文献と一致して下流の因果問題に答えることに成功した。

関連論文リスト

• Identifiable Representation and Model Learning for Latent Dynamic Systems [0.0]
  本稿では,潜在力学系における表現とモデル学習の問題について検討する。 線形あるいはアフィン非線形潜在力学系に対して、スケーリングまでの表現を同定し、いくつかの単純な変換までモデルを決定できることを証明した。
  論文  参考訳（メタデータ） (2024-10-23T13:55:42Z)
• 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)
• MergeNet: Knowledge Migration across Heterogeneous Models, Tasks, and Modalities [72.68829963458408]
  異種モデルのパラメータ空間のギャップを埋めることを学ぶMergeNetを提案する。 MergeNetの中核となるメカニズムはパラメータアダプタにあり、ソースモデルの低ランクパラメータをクエリすることで動作する。 MergeNetは両方のモデルと共に学習され、我々のフレームワークは、現在のステージに関する知識を動的に転送し、適応することができます。
  論文  参考訳（メタデータ） (2024-04-20T08:34:39Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• Beyond Convergence: Identifiability of Machine Learning and Deep Learning Models [0.0]
  本研究では,モデルパラメータ識別可能性の概念を,モーションセンサデータからのパラメータ推定に焦点をあてたケーススタディにより検討する。 我々は、質量、剛性、平衡脚長などの主観的パラメータを推定するために、ディープニューラルネットワークを用いる。 その結果、観測データから特定のパラメータを特定できるが、他のパラメータは未同定のままであることがわかった。
  論文  参考訳（メタデータ） (2023-07-21T03:40:53Z)
• Causal Flow-based Variational Auto-Encoder for Disentangled Causal Representation Learning [1.4875602190483512]
  遠方表現学習は、各次元が基礎となる生成因子に対応する、データの低次元表現を学習することを目的としている。 我々は、Distangled Causal Variational Auto-Encoder (DCVAE) という新しいVAEベースのフレームワークを設計する。 DCVAEには、因果流として知られる自己回帰流の変種が含まれており、効果的な因果不整合表現を学習することができる。
  論文  参考訳（メタデータ） (2023-04-18T14:26:02Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)

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。