Fugu-MT 論文翻訳(概要): CELLO: Causal Evaluation of Large Vision-Language Models

論文の概要: CELLO: Causal Evaluation of Large Vision-Language Models

arxiv url: http://arxiv.org/abs/2406.19131v1
Date: Thu, 27 Jun 2024 12:34:52 GMT
ステータス: 処理完了
システム内更新日: 2024-06-28 14:17:52.504756
Title: CELLO: Causal Evaluation of Large Vision-Language Models
Title（参考訳）: CellO:大規模視覚言語モデルの因果的評価
Authors: Meiqi Chen, Bo Peng, Yan Zhang, Chaochao Lu,
Abstract要約: 因果推論は人間の知性の基本であり、現実世界の環境における効果的な意思決定に不可欠である。我々は,人間と物体の相互作用を含む因果関係の微細で統一的な定義を導入する。我々は,4段階の因果関係に関する14,094の因果関係質問からなる新しいデータセットであるCellOを構築した。
参考スコア（独自算出の注目度）: 9.928321287432365
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Causal reasoning is fundamental to human intelligence and crucial for effective decision-making in real-world environments. Despite recent advancements in large vision-language models (LVLMs), their ability to comprehend causality remains unclear. Previous work typically focuses on commonsense causality between events and/or actions, which is insufficient for applications like embodied agents and lacks the explicitly defined causal graphs required for formal causal reasoning. To overcome these limitations, we introduce a fine-grained and unified definition of causality involving interactions between humans and/or objects. Building on the definition, we construct a novel dataset, CELLO, consisting of 14,094 causal questions across all four levels of causality: discovery, association, intervention, and counterfactual. This dataset surpasses traditional commonsense causality by including explicit causal graphs that detail the interactions between humans and objects. Extensive experiments on CELLO reveal that current LVLMs still struggle with causal reasoning tasks, but they can benefit significantly from our proposed CELLO-CoT, a causally inspired chain-of-thought prompting strategy. Both quantitative and qualitative analyses from this study provide valuable insights for future research. Our project page is at https://github.com/OpenCausaLab/CELLO.
Abstract（参考訳）: 因果推論は人間の知性の基本であり、現実世界の環境における効果的な意思決定に不可欠である。近年の大規模視覚言語モデル(LVLM)の発展にもかかわらず、因果関係を理解する能力は未だ不明である。これはエンボディエージェントのようなアプリケーションには不十分であり、公式な因果推論に必要な明確な因果グラフが欠如している。これらの制限を克服するために、人間と/または物体間の相互作用を含む因果関係のきめ細かい統一的な定義を導入する。この定義に基づいて, 発見, 関連, 介入, 反事実という4段階の因果関係に関する14,094の因果関係質問からなる新しいデータセットCellOを構築した。このデータセットは、人間とオブジェクト間の相互作用を詳述する明示的な因果グラフを含めることで、従来の常識因果性を超えた。 CellOの大規模な実験により、現在のLVLMは因果推論に苦戦しているが、我々の提案したCellO-CoTは因果的にインスパイアされたチェーン・オブ・プルーピング戦略である。本研究の定量的および定性的な分析は、将来の研究に有用な洞察を与える。プロジェクトページはhttps://github.com/OpenCausaLab/CELLO.comにある。

関連論文リスト

Hypothesizing Missing Causal Variables with LLMs [55.28678224020973]
我々は、入力が欠落変数を持つ部分因果グラフであるような新しいタスクを定式化し、出力は部分グラフを完成させるための欠落変数に関する仮説である。原因と効果の間の媒介変数を仮説化するLLMの強い能力を示す。また,オープンソースモデルの一部がGPT-4モデルより優れているという驚くべき結果も得られた。
論文参考訳（メタデータ） (2024-09-04T10:37:44Z)
Cause and Effect: Can Large Language Models Truly Understand Causality? [1.2334534968968969]
本研究では,CARE CA(Content Aware Reasoning Enhancement with Counterfactual Analysis)フレームワークという新しいアーキテクチャを提案する。提案するフレームワークには,ConceptNetと反ファクト文を備えた明示的な因果検出モジュールと,大規模言語モデルによる暗黙的な因果検出が組み込まれている。 ConceptNetの知識は、因果的発見、因果的識別、反事実的推論といった複数の因果的推論タスクのパフォーマンスを向上させる。
論文参考訳（メタデータ） (2024-02-28T08:02:14Z)
Emergence and Causality in Complex Systems: A Survey on Causal Emergence and Related Quantitative Studies [12.78006421209864]
因果発生理論は出現を定量化するために因果関係の尺度を用いる。因果の出現を定量化し、データを識別する。因果表現学習,因果モデル抽象化,世界モデルに基づく強化学習によって,因果表現の出現を識別するアーキテクチャが共有されることを強調した。
論文参考訳（メタデータ） (2023-12-28T04:20:46Z)
CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
論文参考訳（メタデータ） (2022-12-20T18:31:50Z)
Causal Discovery for Fairness [3.3861246056563616]
因果的発見アプローチの違いが因果的モデルにどのように影響するか,因果的モデル間の微妙な差異が公平さ/差別的結論にどのように影響するかを示す。本研究の主な目的は,因果関係を用いて公平に対処する因果発見ステップの重要性を明らかにすることである。
論文参考訳（メタデータ） (2022-06-14T08:40:40Z)
Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文参考訳（メタデータ） (2022-06-04T22:38:57Z)
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)
To do or not to do: finding causal relations in smart homes [2.064612766965483]
本稿では,環境と観測データの混合実験から因果モデルを学ぶための新しい手法を提案する。我々の手法の核心は、選択された介入の使用であり、特に、介入が不可能な変数を考慮に入れた学習である。本手法をスマートホームシミュレーション,すなわち因果関係を知ることが説明可能なシステムへの道を開くユースケースに応用する。
論文参考訳（メタデータ） (2021-05-20T22:36:04Z)
ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文参考訳（メタデータ） (2021-03-26T02:42:38Z)
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)

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。