論文の概要: The Landscape of Causal Discovery Data: Grounding Causal Discovery in Real-World Applications

• arxiv url: http://arxiv.org/abs/2412.01953v1
• Date: Mon, 02 Dec 2024 20:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:41:27.502083
• Title: The Landscape of Causal Discovery Data: Grounding Causal Discovery in Real-World Applications
• Title（参考訳）: 因果発見データのランドスケープ:実世界の応用における接地因果発見
• Authors: Philippe Brouillard, Chandler Squires, Jonas Wahl, Konrad P. Kording, Karen Sachs, Alexandre Drouin, Dhanya Sridhar,
• Abstract要約: 因果発見は、データから因果関係を自動的に発見することを目的としている。 現在の手法は非現実的な仮定に頼り、単純な合成玩具のデータセットでのみ評価される。 生物学、神経科学、地球科学に応用する。
• 参考スコア（独自算出の注目度）: 47.62544556500003
• License:
• Abstract: Causal discovery aims to automatically uncover causal relationships from data, a capability with significant potential across many scientific disciplines. However, its real-world applications remain limited. Current methods often rely on unrealistic assumptions and are evaluated only on simple synthetic toy datasets, often with inadequate evaluation metrics. In this paper, we substantiate these claims by performing a systematic review of the recent causal discovery literature. We present applications in biology, neuroscience, and Earth sciences - fields where causal discovery holds promise for addressing key challenges. We highlight available simulated and real-world datasets from these domains and discuss common assumption violations that have spurred the development of new methods. Our goal is to encourage the community to adopt better evaluation practices by utilizing realistic datasets and more adequate metrics.
• Abstract（参考訳）: 因果発見は、データから因果関係を自動的に発見することを目的としている。 しかし、実際の応用は限られている。 現在の手法は、しばしば非現実的な仮定に頼り、単純な合成玩具のデータセットでのみ評価され、しばしば不適切な評価指標で評価される。 本稿では,近年の因果発見文献の体系的レビューを行い,これらの主張を裏付ける。 我々は、生物学、神経科学、地球科学の応用として、因果発見が重要な課題に対処するための約束を果たす分野を提示する。 これらのドメインから利用可能なシミュレーションおよび実世界のデータセットを強調し、新しいメソッドの開発を刺激する一般的な仮定違反について議論する。 私たちの目標は、現実的なデータセットとより適切なメトリクスを活用することで、コミュニティにより良い評価プラクティスの採用を促すことです。

関連論文リスト

• 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)
• CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
  CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。 因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。 CAnDOITのPython実装も開発され、GitHubで公開されている。
  論文  参考訳（メタデータ） (2024-10-03T13:57:08Z)
• RealTCD: Temporal Causal Discovery from Interventional Data with Large Language Model [15.416325455014462]
  時間因果発見は、観察から直接変数間の時間因果関係を特定することを目的としている。 既存の手法は主に介入対象に大きく依存する合成データセットに焦点を当てている。 本稿では、ドメイン知識を活用して、介入対象のない時間的因果関係を発見できるRealTCDフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-23T06:52:40Z)
• Causality for Earth Science -- A Review on Time-series and Spatiotemporal Causality Methods [2.790669554650619]
  本稿では、因果的発見と因果的推論の概要を述べ、根底にある因果的仮定を説明し、評価手法を列挙する。 本論文は,時系列および時間因果解析に導入された最先端の手法と,その強みと限界を取り入れたものである。
  論文  参考訳（メタデータ） (2024-04-03T14:33:23Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery [49.084423861263524]
  本稿では,GIT を短縮した新しいグラディエント型インターベンションターゲティング手法を提案する。 GITは、介入獲得関数の信号を提供するために勾配に基づく因果探索フレームワークの勾配推定器を「信頼」する。 我々はシミュレーションおよび実世界のデータセットで広範な実験を行い、GITが競合するベースラインと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-11-24T17:04:45Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Robust Causality and False Attribution in Data-Driven Earth Science Discoveries [0.3503794925747607]
  因果研究と帰属研究は、地球科学的な発見や気候、生態学、水の政策を知らせるために不可欠である。 ここでは,移動エントロピーに基づく因果グラフが,統計的に有意に拡張された場合でも飛躍的であることを示す。 我々は,頑健な因果解析のためのサブサンプルに基づくアンサンブル手法を開発した。
  論文  参考訳（メタデータ） (2022-09-26T10:45:48Z)

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。