論文の概要: Introducing CausalBench: A Flexible Benchmark Framework for Causal Analysis and Machine Learning
- arxiv url: http://arxiv.org/abs/2409.08419v1
- Date: Thu, 12 Sep 2024 22:45:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-16 18:17:42.962705
- Title: Introducing CausalBench: A Flexible Benchmark Framework for Causal Analysis and Machine Learning
- Title（参考訳）: CausalBench - 因果解析と機械学習のための柔軟なベンチマークフレームワーク
- Authors: Ahmet Kapkiç, Pratanu Mandal, Shu Wan, Paras Sheth, Abhinav Gorantla, Yoonhyuk Choi, Huan Liu, K. Selçuk Candan,
- Abstract要約: 因果学習は従来の機械学習以上のものを目指しているが、いくつかの大きな課題が残っている。
透明で公平で使いやすい評価プラットフォームであるEm CausalBenchを紹介します。
- 参考スコア（独自算出の注目度）: 10.686245134005047
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While witnessing the exceptional success of machine learning (ML) technologies in many applications, users are starting to notice a critical shortcoming of ML: correlation is a poor substitute for causation. The conventional way to discover causal relationships is to use randomized controlled experiments (RCT); in many situations, however, these are impractical or sometimes unethical. Causal learning from observational data offers a promising alternative. While being relatively recent, causal learning aims to go far beyond conventional machine learning, yet several major challenges remain. Unfortunately, advances are hampered due to the lack of unified benchmark datasets, algorithms, metrics, and evaluation service interfaces for causal learning. In this paper, we introduce {\em CausalBench}, a transparent, fair, and easy-to-use evaluation platform, aiming to (a) enable the advancement of research in causal learning by facilitating scientific collaboration in novel algorithms, datasets, and metrics and (b) promote scientific objectivity, reproducibility, fairness, and awareness of bias in causal learning research. CausalBench provides services for benchmarking data, algorithms, models, and metrics, impacting the needs of a broad of scientific and engineering disciplines.
- Abstract（参考訳）: 多くのアプリケーションで機械学習(ML)技術が例外的に成功したのを目撃する一方で、ユーザはMLの重大な欠点に気づき始めている。
因果関係を発見する従来の方法はランダム化制御実験(RCT)を使用することであるが、多くの場合、これらは非現実的であるか、時には非倫理的である。
観測データからの因果学習は、有望な代替手段を提供する。
比較的最近になってはいるが、因果学習は従来の機械学習以上のものを目指しているが、いくつかの大きな課題が残っている。
残念ながら、因果学習のためのベンチマークデータセット、アルゴリズム、メトリクス、評価サービスインターフェースが統一されていないため、進歩は妨げられている。
本稿では,透明で公正で使いやすい評価プラットフォームである {\em CausalBench} を紹介する。
(a)新しいアルゴリズム、データセット、メトリクスにおける科学的協力を促進することにより、因果学習の研究の進展を可能にする。
b) 因果学習研究における科学的客観性、再現性、公正性及び偏見の認識を促進すること。
CausalBenchは、データ、アルゴリズム、モデル、メトリクスをベンチマークするサービスを提供する。
関連論文リスト
- Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。
本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
論文 参考訳（メタデータ） (2024-01-29T18:27:52Z) - D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling
Algorithmic Bias [57.87117733071416]
D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。
ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。
それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
論文 参考訳（メタデータ） (2022-08-10T03:41:48Z) - What Makes Good Contrastive Learning on Small-Scale Wearable-based
Tasks? [59.51457877578138]
本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。
本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
論文 参考訳（メタデータ） (2022-02-12T06:10:15Z) - Evaluation Methods and Measures for Causal Learning Algorithms [33.07234268724662]
我々は2つの基本的な因果推論タスクと因果認識機械学習タスクに焦点を当てる。
この調査は、公開可能なベンチマークの開発と、観察データによる因果学習評価のためのコンセンサス標準の策定の緊急性に先んじることを目指している。
論文 参考訳（メタデータ） (2022-02-07T00:24:34Z) - Learning Generalized Causal Structure in Time-series [0.0]
我々は最近提案された「ニューロカオス」特徴学習技術(ChaosFEX特徴抽出器)に基づく機械学習パイプラインを開発する。
本研究では,最近提案された'neurochaos'特徴学習技術(ChaosFEX特徴抽出器)に基づく機械学習パイプラインを開発する。
論文 参考訳（メタデータ） (2021-12-06T14:48:13Z) - A Reflection on Learning from Data: Epistemology Issues and Limitations [1.8047694351309205]
本稿では,データから得られた知識の問題点と限界について考察する。
この論文は、一般的な数学的理論を用いてプロセスを記述する際の欠点について、いくつかの光を当てている。
さらに、データから学ぶことに特化した理論の必要性を強調している。
論文 参考訳（メタデータ） (2021-07-28T11:05:34Z) - A critical look at the current train/test split in machine learning [6.475859946760842]
分割プロトコル自体を詳しく見て、その弱点と制限を指摘します。
多くの実世界の問題では、仮定(ii)が成立しない状況が多数あることを認めなければならない。
適応ポリシーを含む適応型能動学習アーキテクチャ(AAL)を提案する。
論文 参考訳（メタデータ） (2021-06-08T17:07:20Z) - Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。
不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。
また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文 参考訳（メタデータ） (2021-04-14T14:20:22Z) - Constrained Learning with Non-Convex Losses [119.8736858597118]
学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
論文 参考訳（メタデータ） (2021-03-08T23:10:33Z) - Principles and Practice of Explainable Machine Learning [12.47276164048813]
本稿では、特に機械学習(ML)とパターン認識モデルに関するデータ駆動手法に焦点を当てる。
メソッドの頻度と複雑さが増すにつれて、少なくともビジネスの利害関係者はモデルの欠点に懸念を抱いている。
我々は、業界実践者が説明可能な機械学習の分野をよりよく理解するための調査を実施した。
論文 参考訳（メタデータ） (2020-09-18T14:50:27Z)
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。