論文の概要: GenAI-Powered Inference

• arxiv url: http://arxiv.org/abs/2507.03897v1
• Date: Sat, 05 Jul 2025 04:27:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.925166
• Title: GenAI-Powered Inference
• Title（参考訳）: GenAIによる推論
• Authors: Kosuke Imai, Kentaro Nakamura,
• Abstract要約: 我々は、テキストや画像を含む非構造化データを用いた因果推論と予測推論の両方のための統計フレームワークであるGenAI-Powered Inference (GPI)を紹介する。 GPIはオープンソースのGenerative Artificial Intelligence(GenAI)モデルを活用して、大規模に非構造化データを生成し、基盤となる構造をキャプチャする低次元表現を抽出する。 これらの表現に機械学習を適用することで、GPIは、関連する推定の不確実性を定量化しながら、因果関係および予測効果の推定を可能にする。 1)中国のソーシャルメディア検閲の分析,(2)候補者の顔貌が選挙結果に与える影響の予測,(3)説得力の評価,の3つの応用を通して,GPIフレームワークの汎用性について説明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce GenAI-Powered Inference (GPI), a statistical framework for both causal and predictive inference using unstructured data, including text and images. GPI leverages open-source Generative Artificial Intelligence (GenAI) models - such as large language models and diffusion models - not only to generate unstructured data at scale but also to extract low-dimensional representations that capture their underlying structure. Applying machine learning to these representations, GPI enables estimation of causal and predictive effects while quantifying associated estimation uncertainty. Unlike existing approaches to representation learning, GPI does not require fine-tuning of generative models, making it computationally efficient and broadly accessible. We illustrate the versatility of the GPI framework through three applications: (1) analyzing Chinese social media censorship, (2) estimating predictive effects of candidates' facial appearance on electoral outcomes, and (3) assessing the persuasiveness of political rhetoric. An open-source software package is available for implementing GPI.
• Abstract（参考訳）: 我々は、テキストや画像を含む非構造化データを用いた因果推論と予測推論の両方のための統計フレームワークであるGenAI-Powered Inference (GPI)を紹介する。 GPIは、大規模な言語モデルや拡散モデルなど、オープンソースのジェネレーティブ人工知能(GenAI)モデルを活用して、大規模に非構造化データを生成するだけでなく、基盤となる構造をキャプチャする低次元の表現を抽出する。 これらの表現に機械学習を適用することで、GPIは、関連する推定の不確実性を定量化しながら、因果関係および予測効果の推定を可能にする。 表現学習における既存のアプローチとは異なり、GPIは生成モデルの微調整を必要としないため、計算効率が良く、広くアクセス可能である。 本稿では,(1)中国のソーシャルメディア検閲の分析,(2)候補者の顔の外観が選挙結果に与える影響の予測,(3)政治的レトリックの説得性を評価する3つの応用を通して,GPIフレームワークの汎用性を説明する。 GPIを実装するためのオープンソースソフトウェアパッケージが提供されている。

関連論文リスト

• Causal Representation Learning with Generative Artificial Intelligence: Application to Texts as Treatments [0.0]
  テキストなどの非構造的高次元処理による因果推論の有効性を高める方法について述べる。 本稿では,大規模言語モデル(LLM)のような深層生成モデルを用いて治療を効率的に生成することを提案する。 この真の内部表現の知識は、関心事の処理特徴を乱すのに役立ちます。
  論文  参考訳（メタデータ） (2024-10-01T17:46:21Z)
• Evaluating the performance of state-of-the-art esg domain-specific pre-trained large language models in text classification against existing models and traditional machine learning techniques [0.0]
  本研究では,テキスト開示における環境・社会・ガバナンス情報(ESG)の分類について検討する。 本研究の目的は,E,S,G関連コンテンツをそれぞれ正確に識別・分類できるバイナリ分類モデルを開発し,評価することである。 この研究の動機は、投資決定におけるESGの考慮と企業説明責任の増大に起因している。
  論文  参考訳（メタデータ） (2024-09-30T20:08:32Z)
• Gaussian Process Probes (GPP) for Uncertainty-Aware Probing [61.91898698128994]
  モデルによって表現される概念に関する不確実性を探索し、測定するための統一的でシンプルなフレームワークを導入する。 実験の結果,(1)ごく少数の例でも,モデルの概念表現を探索し,(2)認識の不確実性(プローブがどの程度確実か)と解離不確実性(モデルがファジィか)を正確に測定し,(3)これらの不確実性尺度と古典的手法を用いて分布データの検出を行うことができた。
  論文  参考訳（メタデータ） (2023-05-29T17:00:16Z)
• MAUVE Scores for Generative Models: Theory and Practice [95.86006777961182]
  本報告では,テキストや画像の生成モデルで発生するような分布のペア間の比較尺度であるMAUVEについて述べる。 我々は、MAUVEが人間の文章の分布と現代のニューラル言語モデルとのギャップを定量化できることを発見した。 我々は、MAUVEが既存のメトリクスと同等以上の画像の既知の特性を識別できることを視覚領域で実証する。
  論文  参考訳（メタデータ） (2022-12-30T07:37:40Z)
• Graph Neural Networks Intersect Probabilistic Graphical Models: A Survey [0.0]
  グラフニューラルネットワーク(GNN)と確率的グラフィカルモデル(PGM)の交点について検討する。 GNNは、PGMにおける構造化表現の学習、PGMによる説明可能な予測、およびPGMがオブジェクト関係を推測する方法の恩恵を受けることができる。 本稿では,最近の研究で使用されるベンチマークデータセットを要約し,将来的な方向性について論じる。
  論文  参考訳（メタデータ） (2022-05-24T03:36:25Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)
• Improving Aspect-based Sentiment Analysis with Gated Graph Convolutional Networks and Syntax-based Regulation [89.38054401427173]
  Aspect-based Sentiment Analysis (ABSA) は、特定の側面に向けて文の感情極性を予測する。 依存関係ツリーは、ABSAの最先端のパフォーマンスを生成するために、ディープラーニングモデルに統合することができる。 本稿では,この2つの課題を克服するために,グラフに基づく新しいディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2020-10-26T07:36:24Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。