Fugu-MT 論文翻訳(概要): Four Guiding Principles for Modeling Causal Domain Knowledge: A Case Study on Brainstorming Approaches for Urban Blight Analysis

論文の概要: Four Guiding Principles for Modeling Causal Domain Knowledge: A Case Study on Brainstorming Approaches for Urban Blight Analysis

arxiv url: http://arxiv.org/abs/2412.02400v1
Date: Tue, 03 Dec 2024 11:49:34 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-04 15:43:41.751796
Title: Four Guiding Principles for Modeling Causal Domain Knowledge: A Case Study on Brainstorming Approaches for Urban Blight Analysis
Title（参考訳）: 因果ドメイン知識のモデル化のための4つの指針-都市風光分析のためのブレインストーミングアプローチを事例として-
Authors: Houssam Razouk, Michael Leitner, Roman Kern,
Abstract要約: 因果的ドメイン知識を効果的にモデル化するための4つのルールを導入することにより、都市性ブライトの分析におけるドメイン知識の統合を改善する。本研究は, 都市景観分析のために開発された認知地図を調査し, 因果モデルガイドラインから有意な逸脱が認められた。
参考スコア（独自算出の注目度）: 1.689787234867583
License:
Abstract: Urban blight is a problem of high interest for planning and policy making. Researchers frequently propose theories about the relationships between urban blight indicators, focusing on relationships reflecting causality. In this paper, we improve on the integration of domain knowledge in the analysis of urban blight by introducing four rules for effective modeling of causal domain knowledge. The findings of this study reveal significant deviation from causal modeling guidelines by investigating cognitive maps developed for urban blight analysis. These findings provide valuable insights that will inform future work on urban blight, ultimately enhancing our understanding of urban blight complex interactions.
Abstract（参考訳）: 都市計画や政策立案に高い関心を持つ。研究者は、しばしば、因果関係を反映した関係に焦点をあてて、都市ブライトインジケータ間の関係に関する理論を提唱する。本稿では,因果的ドメイン知識を効果的にモデル化するための4つのルールを導入することにより,都市景観の分析におけるドメイン知識の統合を改善する。本研究は, 都市景観分析のために開発された認知地図を調査し, 因果モデルガイドラインから有意な逸脱が認められた。これらの発見は、将来の都市光に関する研究を知らせる貴重な洞察を与え、最終的に都市光の複雑な相互作用に対する理解を深める。

関連論文リスト

From Pre-training Corpora to Large Language Models: What Factors Influence LLM Performance in Causal Discovery Tasks? [51.42906577386907]
本研究では,因果発見タスクにおけるLarge Language Models(LLM)の性能に影響を与える要因について検討する。因果関係の頻度が高いことは、より良いモデル性能と相関し、トレーニング中に因果関係の情報に広範囲に暴露することで、因果関係の発見能力を高めることを示唆している。
論文参考訳（メタデータ） (2024-07-29T01:45:05Z)
Disentangled Representations for Causal Cognition [0.0]
因果認知研究は、ヒトおよび非ヒト動物における因果学習と推論の主な特徴を記述している。因果性に関する機械および強化学習研究は、因果的人工エージェントを設計するための具体的な試みである。本研究では,これら2つの研究領域を結合し,因果認知のための統一的な枠組みを構築する。
論文参考訳（メタデータ） (2024-06-30T16:10:17Z)
The Odyssey of Commonsense Causality: From Foundational Benchmarks to Cutting-Edge Reasoning [70.16523526957162]
常識の因果関係を理解することは、人々が現実世界の原理をよりよく理解するのに役立ちます。その重要性にもかかわらず、このトピックの体系的な探索は特に欠落している。本研究の目的は、体系的な概要の提供、最近の進歩に関する学者の更新、初心者のための実践的なガイドを提供することである。
論文参考訳（メタデータ） (2024-06-27T16:30:50Z)
Heterogeneous Graph Neural Networks with Post-hoc Explanations for Multi-modal and Explainable Land Use Inference [11.753345219488745]
本稿では、異種グラフニューラルネットワーク(HGN)と説明可能なAI技術を組み合わせた土地利用推定のための説明可能なフレームワークを提案する。実験により、提案したHGNは6つの土地利用指標すべてに対して、ベースライングラフニューラルネットワークを著しく上回っていることが示された。これらの分析は,提案したHGNが都市計画や政策立案において,都市利害関係者を適切に支援できることを示した。
論文参考訳（メタデータ） (2024-06-19T17:39:10Z)
ML4EJ: Decoding the Role of Urban Features in Shaping Environmental Injustice Using Interpretable Machine Learning [1.616733806935934]
本研究は, 大気汚染, 都市熱, 洪水の3つの主要な危険因子の曝露格差に対する各種都市特性の影響を解析するために, 解釈可能な機械学習モデルを構築した。この性能は、都市の特徴の変化が環境の危険度にどの程度の違いがあるかを測定するために用いられる。本研究から得られた知見は, 都市の特徴と環境リスク曝露格差との相互作用について, 新たな視点を与えるものである。
論文参考訳（メタデータ） (2023-10-03T22:48:58Z)
Towards CausalGPT: A Multi-Agent Approach for Faithful Knowledge Reasoning via Promoting Causal Consistency in LLMs [55.66353783572259]
Causal-Consistency Chain-of-Thoughtは、基礎モデルの忠実さと因果性を強化するために、マルチエージェントコラボレーションを活用する。我々のフレームワークは、広範囲かつ包括的な評価を通じて、最先端の手法よりも大きな優位性を示す。
論文参考訳（メタデータ） (2023-08-23T04:59:21Z)
A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
論文参考訳（メタデータ） (2023-06-05T01:01:12Z)
Evaluating the Perceived Safety of Urban City via Maximum Entropy Deep Inverse Reinforcement Learning [10.605168966435981]
都市安全を予測し、対応する報酬関数を回復するための逆強化学習(IRL)ベースのフレームワーク。我々は,予測問題をマルコフ決定過程(MDP)としてモデル化するスケーラブルな状態表現法を提案し,その問題を解決するために強化学習(RL)を用いた。われわれは、クラウドソーシングデータ収集サイトと本論文で提案したモデルについて、後にオープンソース化する。
論文参考訳（メタデータ） (2022-11-19T11:01:08Z)
Causal Reasoning Meets Visual Representation Learning: A Prospective Study [117.08431221482638]
解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
論文参考訳（メタデータ） (2022-04-26T02:22:28Z)
Urban Analytics: History, Trajectory, and Critique [3.004202743783571]
都市分析は、空間分析、統計学、コンピュータ科学、都市計画を組み合わせて都市の未来を理解し形作る。より良い政策決定の洞察を約束する一方で、その範囲とプライバシー、倫理、社会的統制への影響に関する懸念が存在する。この章は、専門分野としての都市分析の歴史と軌跡を反映している。
論文参考訳（メタデータ） (2021-05-14T18:20:50Z)
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。