静的反因果機械学習タスクにおける因果性を意識した予測に向けて:線形構造因果モデルの場合【JST・京大機械翻訳】

Neto Elias Chaibub

プレプリント

J-GLOBAL ID：202202205643896171 整理番号：22P0099970

静的反因果機械学習タスクにおける因果性を意識した予測に向けて:線形構造因果モデルの場合【JST・京大機械翻訳】

Towards causality-aware predictions in static anticausal machine learning tasks: the linear structural causal model case

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (1件)：
資料名：
発行年： 2020年01月12日プレプリントサーバーでの情報更新日： 2020年11月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

静的アンチカサール機械学習タスク(すなわち,結果が特徴に影響する予測タスク)における因果情報を活用することができる,「cau因性認識の予測モデルを訓練するのに,このアプローチを用いて,観察された仲介者を含むアプリケーションにおいて,観測された交絡因子の影響から自由な予測を生成することができ,そのアプローチを,直接または間接因果律の影響を捉える予測を生成するために,そのアプローチを用いて,関心の因果関係によって生成された関連のみを,直接または間接的因果関係を捉える予測を生成することができた。共分散,因果効果,および予測平均二乗誤差を接続する解析結果が,重要なことに利用可能な線形モデルに焦点を当て,著者らは,著者らのアプローチが,完全な因果グラフの知識を必要としないことを示した。それは,どの変数が潜在的交絡因子および/またはメディエーターを表すかを知ることを知っている。選択バイアスにより生成されたデータセットシフトに関する方法の安定性を議論し,合成データ実験を用いてアプローチを検証した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , システム・制御理論一般

, , , , , ,

前のページに戻る