抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本研究は,因果推論と深層学習モデルの特定の枝の適用,すなわち,因果律正規化フロー(c-GNFs)を示した。最近の貢献では,学者は,正規化流が特定の特性を持ち,特に因果的および反力的解析に適していることを示した。しかし,c-GNFsは模擬データ設定においてのみ試験され,今日までの貢献は大規模実世界データに対するc-GNFsの適用を評価した。社会的良好のためのAIに焦点を合わせて,著者らの研究は,c-GNFsを用いた子供貧困に対する国際Monetary Fund(IMF)プログラムの影響の逆説的解析を提供する。分析は,大規模な実世界観察データ:18歳以下の1,941734人の子供で,地球規模南部から67か国に居住する567,344家族で介護した。IMFの主要な目的は,経済安定性の達成における政府を支援することであるが,著者らの結果は,IMFプログラムが,約1.2±0.24度(貧困と「7’が最大貧困である)で,正の副作用として子供の貧困を減らすことを見出した。したがって,本稿は,c-GNFsが,社会的良好のためのAIにおける深い学習と因果推論の使用をさらにどのように行うかを示す。それは,集団レベル(ACE),亜集団レベル(CACE),および個人レベル(ICE)における対物的推論を通して,有意な社会的影響に対する未利用の可能性に取り組むために,学習アルゴリズムがどのように使用できるかを示す。ICEではなくACEまたはCACEをモデル化するほとんどの研究とは対照的に,c-GNFsはCausal Inferenceの第一法則を用いて個人化を可能にする。【JST・京大機械翻訳】