論文の概要: Copula-ResLogit: A Deep-Copula Framework for Unobserved Confounding Effects

• arxiv url: http://arxiv.org/abs/2603.10284v1
• Date: Wed, 11 Mar 2026 00:00:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.726321
• Title: Copula-ResLogit: A Deep-Copula Framework for Unobserved Confounding Effects
• Title（参考訳）: Copula-ResLogit: 観測不能なコンバウンディング効果のためのDeep-Copulaフレームワーク
• Abstract要約: この研究は、新しいディープラーニングに基づく完全に解釈可能なジョイントモデリングフレームワーク、Copula-ResLogitを紹介した。 結果は、Copula-ResLogitが依存関係を大幅に削減または排除していることを示している。
• 参考スコア（独自算出の注目度）: 1.8262547855491453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key challenge in travel demand analysis is the presence of unobserved factors that may generate non-causal dependencies, obscuring the true causal effects. To address the issue, the study introduces a novel deep learning based fully interpretable joint modelling framework, Copula-ResLogit, which integrates the flexibility of Residual Neural Network (ResNet) architectures with the dependence capturing capabilities of copula models. This hybrid structure enables us to first detect unobserved confounding through traditional copula function based joint modelling and then mitigate these hidden associations by incorporating deep learning components. The study applies this framework to two case studies, including the relationship between stress levels and wait time of pedestrians when crossing mid block in VR and the dependencies between travel mode choice and travel distance in London travel behaviour data. Results show that Copula-ResLogit substantially reduces or eliminates the dependencies, demonstrating the ability of residual layers to account for hidden confounding effects.
• Abstract（参考訳）: 旅行需要分析における重要な課題は、非因果依存性を発生させ、真の因果効果を無視する未観測の要因の存在である。 この問題に対処するため、この研究では、Residual Neural Network(ResNet)アーキテクチャの柔軟性とコプラモデルの依存性キャプチャ機能を統合する、新しいディープラーニングベースの完全に解釈可能なジョイントモデリングフレームワークであるCopula-ResLogitを紹介した。 このハイブリッド構造は、まず従来のコプラ関数に基づく関節モデリングを通して観測不能なコンバウンディングを検知し、深層学習コンポーネントを組み込むことで、これらの隠れた関連を緩和する。 この枠組みは、VRのミッドブロックを横断する歩行者のストレスレベルと待ち時間の関係と、ロンドン旅行行動データにおける旅行モード選択と旅行距離の依存性を含む2つのケーススタディに適用される。 その結果、Copula-ResLogitは依存関係を大幅に削減または排除し、隠れたコンバウンディング効果を考慮に入れた残層の可能性を示している。

関連論文リスト

• Structured Neural Marked Point Processes for Interpretable Event Interaction Modeling [12.453735847515006]
  マルチクラスイベントストリームは多くの実世界のアプリケーションで発生し、構造化され解釈可能なイベント間の関係を明らかにすることは、正確な予測とともに、依然として中心的な課題である。 既存のニューラルポイントプロセスモデルは非常に表現力が高いが、イベントインタラクションをブラックボックス方式でエンコードすることで、構造化された依存関係の明示的な発見を防止する。 本稿では,データからイベント・ワイド・クラス・リレーションシップを明確化しつつ,高いモデリング柔軟性を実現する構造化ニューラルマークポイントプロセス(SNMPP)を提案する。
  論文  参考訳（メタデータ） (2026-05-17T17:56:22Z)
• Causal Learning with Neural Assemblies [0.0]
  投影, 局所可塑性制御, スパース勝者選択は, 方向性学習に十分であることを示す。 DIRECTは、アダプティブゲインスケジュールの下で、ソースとターゲットアセンブリを協調して活性化し、指示された関係を内部化するメカニズムである。 結果は、生物学的に妥当な力学と形式的因果モデルの間の監査可能なブリッジとして神経集合を確立する。
  論文  参考訳（メタデータ） (2026-04-29T17:34:33Z)
• Causal Discovery with Mixed Latent Confounding via Precision Decomposition [0.0]
  微分可能およびスコアベースDAG学習者は、グローバル潜伏効果を因果エッジと誤解釈することができる。 我々は,これらの役割を分離したモジュール型高精度パイプラインであるtextscDCL-DECORを提案する。
  論文  参考訳（メタデータ） (2025-12-31T08:03:41Z)
• Incremental Human-Object Interaction Detection with Invariant Relation Representation Learning [24.134958315913888]
  オープンワールド環境では、人間と物体の相互作用(HOI)は連続的に進化し、従来のクローズドワールドのHOI検出モデルに挑戦する。 人間の知識獲得能力にインスパイアされた我々は、段階的HOI検出(IHOID)を探求し、このような動的環境における人間と物体の関係を識別できるエージェントを開発する。 IRDはオブジェクトと関係の学習を分離し、同じ関係を持つ異なるHOIの組み合わせで不変な関係の特徴を学習するための2つのユニークな蒸留損失を導入する。
  論文  参考訳（メタデータ） (2025-10-30T21:59:34Z)
• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• Controllable Relation Disentanglement for Few-Shot Class-Incremental Learning [82.79371269942146]
  本稿では,FewShot Class-Incremental Learning (FSCIL) を新たな視点,すなわち関係の絡み合いから扱うことを提案する。 急激な相関関係を切り離すことの課題は、FSCILの制御性が悪いことである。 我々は、CTRL-FSCIL(Controllable Relation-disentang FewShot Class-Incremental Learning)と呼ばれる、新しいシンプルな効果のある手法を提案する。
  論文  参考訳（メタデータ） (2024-03-17T03:16:59Z)
• 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)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• On the Lipschitz Constant of Deep Networks and Double Descent [9.233158826773247]
  ディープネットワークの一般化誤差に関する既存の境界は、入力変数への滑らかなあるいは有界な依存を仮定する。 二重降下中の深層ネットワークにおける経験的リプシッツ定数に関する実験的検討を行った。
  論文  参考訳（メタデータ） (2023-01-28T23:22:49Z)
• On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
  合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。 単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
  論文  参考訳（メタデータ） (2022-06-09T16:24:01Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。