論文の概要: Deep Causal Generative Models with Property Control
- arxiv url: http://arxiv.org/abs/2405.16219v1
- Date: Sat, 25 May 2024 13:07:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-29 00:21:21.819307
- Title: Deep Causal Generative Models with Property Control
- Title(参考訳): 特性制御による深部因果生成モデル
- Authors: Qilong Zhao, Shiyu Wang, Guangji Bai, Bo Pan, Zhaohui Qin, Liang Zhao,
- Abstract要約: 我々は相関対応因果変分自動エンコーダ(C2VAE)と呼ばれる新しい深層生成フレームワークを提案する。
C2VAEは、非絡み付き潜在ベクトルを用いて特性間の相関関係と因果関係を同時に回復する。
- 参考スコア(独自算出の注目度): 11.604321459670315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating data with properties of interest by external users while following the right causation among its intrinsic factors is important yet has not been well addressed jointly. This is due to the long-lasting challenge of jointly identifying key latent variables, their causal relations, and their correlation with properties of interest, as well as how to leverage their discoveries toward causally controlled data generation. To address these challenges, we propose a novel deep generative framework called the Correlation-aware Causal Variational Auto-encoder (C2VAE). This framework simultaneously recovers the correlation and causal relationships between properties using disentangled latent vectors. Specifically, causality is captured by learning the causal graph on latent variables through a structural causal model, while correlation is learned via a novel correlation pooling algorithm. Extensive experiments demonstrate C2VAE's ability to accurately recover true causality and correlation, as well as its superiority in controllable data generation compared to baseline models.
- Abstract(参考訳): 外部ユーザの興味を引いたデータ生成は,本質的な要因の適切な因果関係を追及する上で重要であるが,共同で対処する上では不十分である。
これは、キー潜伏変数の同定、因果関係、興味のある性質との相関、および因果的に制御されたデータ生成に対するそれらの発見の活用という長期にわたる課題によるものである。
これらの課題に対処するために,相関対応因果変分オートエンコーダ (C2VAE) と呼ばれる新しい深層生成フレームワークを提案する。
このフレームワークは、非絡み付き潜在ベクトルを用いて特性間の相関関係と因果関係を同時に回復する。
具体的には、因果関係は、構造因果モデルを通して潜伏変数の因果グラフを学習し、相関性は、新しい相関プーリングアルゴリズムによって学習する。
大規模な実験では、C2VAEが真の因果関係と相関関係を正確に回復し、ベースラインモデルと比較して制御可能なデータ生成において優位性を示す。
関連論文リスト
- 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) - Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。
本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。
2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文 参考訳(メタデータ) (2023-08-24T16:06:36Z) - Spurious Correlations and Where to Find Them [17.1264393170134]
モデルがデータから信頼できない特徴を学習すると、余計な相関が生じる。
突発的相関の発生の背後にある、よく研究されている仮説のいくつかを収集する。
因果グラフから生成された合成データセットを用いた標準ERMベースラインへの影響について検討する。
論文 参考訳(メタデータ) (2023-08-21T21:06:36Z) - Causal Intervention for Abstractive Related Work Generation [16.7515135295061]
関連作業生成のためのCaM(Causal Intervention Module)を提案する。
まず、因果グラフを用いて、関連作業生成における文順、文書関係、遷移内容の関係をモデル化する。
次に,通常の条件付き確率の導出とCaMによる因果効果の同定にdo-calculusを用いた。
論文 参考訳(メタデータ) (2023-05-23T04:48:30Z) - De-Biasing Generative Models using Counterfactual Methods [0.0]
我々はCausal Counterfactual Generative Model (CCGM) と呼ばれる新しいデコーダベースのフレームワークを提案する。
提案手法は,因果関係の忠実さを強調するために,因果関係の潜在空間VAEモデルと特定の修正を加えたものである。
因果的学習と符号化/復号化が因果的介入の質をいかに高めるかを検討する。
論文 参考訳(メタデータ) (2022-07-04T16:53:20Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳(メタデータ) (2021-01-17T07:48:45Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳(メタデータ) (2020-11-04T10:00:27Z) - Learning Causal Models Online [103.87959747047158]
予測モデルは、予測を行うためにデータの急激な相関に依存することができる。
強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。
本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-12T20:49:20Z) - CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。
本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。
その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文 参考訳(メタデータ) (2020-04-18T20:09:34Z) - Causal discovery of linear non-Gaussian acyclic models in the presence
of latent confounders [6.1221613913018675]
本稿では,反復因果探索 (RCD) と呼ばれる因果関数モデルに基づく手法を提案する。
RCDは、少数の観測変数間で因果方向を推論し、その関係が潜伏した共同設立者の影響を受けているかどうかを判定する。
論文 参考訳(メタデータ) (2020-01-13T12:55:47Z)
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。