Fugu-MT 論文翻訳(概要): Causal Learning in Biomedical Applications: A Benchmark

論文の概要: Causal Learning in Biomedical Applications: A Benchmark

arxiv url: http://arxiv.org/abs/2406.15189v2
Date: Mon, 16 Sep 2024 12:29:26 GMT
ステータス: 処理完了
システム内更新日: 2024-09-18 01:36:14.543040
Title: Causal Learning in Biomedical Applications: A Benchmark
Title（参考訳）: 医学応用における因果学習 : ベンチマーク
Authors: Petr Ryšavý, Xiaoyu He, Jakub Mareček,
Abstract要約: 時系列を用いた因果学習における手法のベンチマークを示す。提示されたデータセットは$R2$-sortableではない。
参考スコア（独自算出の注目度）: 3.212426737007952
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning causal relationships between a set of variables is a challenging problem in computer science. Many existing artificial benchmark datasets are based on sampling from causal models and thus contain residual information that the ${R} ^2$-sortability can identify. Here, we present a benchmark for methods in causal learning using time series. The presented dataset is not ${R}^2$-sortable and is based on a real-world scenario of the Krebs cycle that is used in cells to release energy. We provide four scenarios of learning, including short and long time series, and provide guidance so that testing is unified between possible users.
Abstract（参考訳）: 変数の集合間の因果関係を学習することは、コンピュータ科学において難しい問題である。多くの既存の人工ベンチマークデータセットは因果モデルからのサンプリングに基づいており、${R} ^2$-sortability が識別できる残留情報を含んでいる。本稿では時系列を用いた因果学習手法のベンチマークを示す。提示されたデータセットは${R}^2$-sortableではなく、セルでエネルギーを放出するために使用されるKrebsサイクルの現実シナリオに基づいている。短い時系列を含む4つの学習シナリオを提供し、ユーザ間でテストが統一されるようにガイダンスを提供する。

関連論文リスト

Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies [49.99600569996907]
観測データに対して仮説化された因果モデルをテストすることは、多くの因果推論タスクにとって重要な前提条件である。モデルは指数関数的に多くの条件付き独立関係(CI)を仮定できるが、これら全てをテストすることは実用的でなく不必要である。隠れ変数を持つ因果グラフのc-LMPを導入し、これらのCIを多時間間隔でリストする遅延アルゴリズムを開発した。
論文参考訳（メタデータ） (2024-09-22T21:05:56Z)
Sortability of Time Series Data [2.532202013576547]
自己相関型定常時系列のデータセットにおいても、変数可能性などのデータセットの特定の特性が生じることを示す。最も驚くべき発見は、調査対象の現実世界のデータセットが高いバラエティと低いR2$ソータビリティを示していることです。
論文参考訳（メタデータ） (2024-07-18T09:15:39Z)
Online Analytic Exemplar-Free Continual Learning with Large Models for Imbalanced Autonomous Driving Task [25.38082751323396]
AEF-OCL (Analytic Exemplar-Free Online Continual Learning Algorithm) を提案する。 AEF-OCLは解析的連続学習原理を活用し、大きなバックボーンネットワークによって抽出された特徴の分類器としてリッジ回帰を用いる。実験結果から, 自動走行SODA10Mデータセットにおいて, 提案手法は, 既往の戦略であるにもかかわらず, 様々な手法より優れていることが示された。
論文参考訳（メタデータ） (2024-05-28T03:19:15Z)
A Scale-Invariant Sorting Criterion to Find a Causal Order in Additive Noise Models [49.038420266408586]
分散の増加による変数のソートは、しばしば因果順序に近い順序になることを示す。本稿ではR2$-SortnRegressと呼ばれる,高いR2$-sortabilityを利用する効率的なベースラインアルゴリズムを提案する。その結果,因果発見に関連するデータ生成プロセスの仮定として,R2$-sortabilityが高額であることが判明した。
論文参考訳（メタデータ） (2023-03-31T17:05:46Z)
Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文参考訳（メタデータ） (2022-03-29T04:54:06Z)
Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文参考訳（メタデータ） (2021-06-14T05:39:09Z)
Testing Directed Acyclic Graph via Structural, Supervised and Generative Adversarial Learning [7.623002328386318]
有向非巡回グラフ(DAG)の新しい仮説テスト法を提案する。非常に柔軟なニューラルネットワーク学習者に基づいてテストを構築します。シミュレーションと脳接続ネットワーク解析による実験の有効性を実証する。
論文参考訳（メタデータ） (2021-06-02T21:18:59Z)
Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文参考訳（メタデータ） (2020-12-04T19:21:37Z)
Meta Learning for Causal Direction [29.00522306460408]
小型データ設定における原因と効果の区別を可能にする新しい生成モデルを提案する。提案手法は, 各種合成データと実世界のデータを用いて実証し, 種々のデータセットサイズにおける方向検出の精度を高い精度で維持可能であることを示す。
論文参考訳（メタデータ） (2020-07-06T15:12:05Z)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)

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。