論文の概要: Aligning Graphical and Functional Causal Abstractions

• arxiv url: http://arxiv.org/abs/2412.17080v1
• Date: Sun, 22 Dec 2024 16:11:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:59:11.052094
• Title: Aligning Graphical and Functional Causal Abstractions
• Title（参考訳）: 図形的・機能的因果的抽象化
• Authors: Wilem Schooltink, Fabio Massimo Zennaro,
• Abstract要約: 因果抽象化により、異なるレベルの粒度の因果モデルを関連付けることができる。 モデルが原因と効果に一致するように、因果的抽象化のフレームワークは一貫性の概念を定義します。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Causal abstractions allow us to relate causal models on different levels of granularity. To ensure that the models agree on cause and effect, frameworks for causal abstractions define notions of consistency. Two distinct methods for causal abstraction are common in the literature: (i) graphical abstractions, such as Cluster DAGs, which relate models on a structural level, and (ii) functional abstractions, like $\alpha$-abstractions, which relate models by maps between variables and their ranges. In this paper we will align the notions of graphical and functional consistency and show an equivalence between the class of Cluster DAGs, consistent $\alpha$-abstractions, and constructive $\tau$-abstractions. Furthermore, we extend this alignment and the expressivity of graphical abstractions by introducing Partial Cluster DAGs. Our results provide a rigorous bridge between the functional and graphical frameworks and allow for adoption and transfer of results between them.
• Abstract（参考訳）: 因果抽象化により、異なるレベルの粒度の因果モデルを関連付けることができる。 モデルが原因と効果に一致するように、因果的抽象化のフレームワークは一貫性の概念を定義します。 文献では、因果的抽象の2つの異なる方法が一般的である。 (i)構造レベルでモデルを関連づけるクラスタDAGのようなグラフィカルな抽象化 (ii)$\alpha$-abstractionsのような関数的抽象化は変数とその範囲の間の写像によるモデルを関連づける。 本稿では、グラフィカルおよび関数的一貫性の概念を整合させ、クラスタDAGのクラス、一貫性のある$\alpha$-abstractions、コンストラクティブな$\tau$-abstractionsの同値性を示す。 さらに,このアライメントとグラフィカル抽象化の表現性を,部分クラスタDAGを導入して拡張する。 我々の結果は、機能フレームワークとグラフィカルフレームワークの間に厳密な橋渡しを提供し、それらの間に結果の採用と転送を可能にします。

関連論文リスト

• Abstraction Alignment: Comparing Model and Human Conceptual Relationships [26.503178592074757]
  モデルが学習した抽象と期待される人間の抽象との一致を測定する手法である抽象アライメントを導入する。 評価タスクでは、抽象化アライメントがモデルの振る舞いとデータセットの内容をより深く理解します。
  論文  参考訳（メタデータ） (2024-07-17T13:27:26Z)
• Learning Causal Abstractions of Linear Structural Causal Models [18.132607344833925]
  因果抽象化(Causal Abstraction)は、2つの構造因果モデルを異なるレベルの詳細で定式化するフレームワークを提供する。 線形抽象関数を持つ線形因果モデルに対する両問題に対処する。 特にAbs-LiNGAMは,学習された高レベルモデルと抽象関数によって引き起こされる制約を利用して,より大規模な低レベルモデルの回復を高速化する手法である。
  論文  参考訳（メタデータ） (2024-06-01T10:42:52Z)
• Visual Commonsense based Heterogeneous Graph Contrastive Learning [79.22206720896664]
  視覚的推論タスクをより良く仕上げるための異種グラフコントラスト学習法を提案する。 本手法はプラグイン・アンド・プレイ方式として設計されており,多種多様な代表手法と迅速かつ容易に組み合わせることができる。
  論文  参考訳（メタデータ） (2023-11-11T12:01:18Z)
• Transitivity Recovering Decompositions: Interpretable and Robust Fine-Grained Relationships [69.04014445666142]
  Transitivity Recovering Decompositions (TRD) は、抽象的な創発的関係の解釈可能な等価性を識別するグラフ空間探索アルゴリズムである。 TRDは明らかにノイズの多い見方に対して堅牢であり、実証的な証拠もこの発見を支持している。
  論文  参考訳（メタデータ） (2023-10-24T16:48:56Z)
• Class-level Structural Relation Modelling and Smoothing for Visual Representation Learning [12.247343963572732]
  本稿では、視覚表現学習のためのbfクラスレベルの構造関係モデリングと平滑化というフレームワークを提案する。 クラスレベルの関係モデリング、クラス対応グラフガイドサンプリング、グラフガイド表現学習モジュールが含まれる。 実験では、構造化知識モデリングによる表現学習の有効性を実証し、CSRMSを任意の最先端の視覚的表現学習モデルに組み込むことにより、パフォーマンス向上を図っている。
  論文  参考訳（メタデータ） (2023-08-08T09:03:46Z)
• Towards Computing an Optimal Abstraction for Structural Causal Models [16.17846886492361]
  我々は抽象学習の問題に焦点をあてる。 我々は,情報損失の具体的な尺度を提案し,その新しい抽象化の学習への貢献について説明する。
  論文  参考訳（メタデータ） (2022-08-01T14:35:57Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Unified Graph Structured Models for Video Understanding [93.72081456202672]
  リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。 本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
  論文  参考訳（メタデータ） (2021-03-29T14:37:35Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)
• Bidirectional Graph Reasoning Network for Panoptic Segmentation [126.06251745669107]
  本稿では,BGRNet(Bidirectional Graph Reasoning Network)を導入し,前景物と背景物間のモジュラー内およびモジュラー間関係について検討する。 BGRNetはまず、インスタンスとセマンティックセグメンテーションの両方でイメージ固有のグラフを構築し、提案レベルとクラスレベルで柔軟な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-14T02:32:10Z)

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。