The Causal Chambers: Real Physical Systems as a Testbed for AI Methodology

要約

AI、機械学習、統計の一部の分野では、適切な現実世界のデータセットが不足しているために、新しい手法やアルゴリズムの検証が妨げられることがよくあります。
研究者は多くの場合、シミュレートされたデータに目を向けなければなりませんが、提案された手法が実際の問題に適用できるかどうかについての情報は限られています。
前進として、私たちは、重要ではあるがよく理解されている物理システムから大規模なデータセットを迅速かつ安価に生成できる 2 つのデバイスを構築しました。
私たちがコーザルチャンバーと呼ぶこれらのデバイスは、これらの物理システムからの一連の変数を操作および測定できるコンピューター制御の実験室であり、さまざまな分野のアルゴリズムの豊富なテストベッドを提供します。
因果関係発見、分布外一般化、変化点検出、独立成分分析、記号回帰などの分野における一連のケーススタディを通じて、潜在的なアプリケーションを説明します。
因果推論への応用の場合、チャンバーを使用すると介入を慎重に実行できます。
また、さまざまなタスクのグラウンドトゥルースとして使用できる、各チャンバーの因果モデルを提供し、経験的に検証します。
すべてのハードウェアとソフトウェアはオープンソースになっており、データセットは causalchamber.org または Python パッケージ causalchamber を通じて公開されています。

要約(オリジナル)

In some fields of AI, machine learning and statistics, the validation of new methods and algorithms is often hindered by the scarcity of suitable real-world datasets. Researchers must often turn to simulated data, which yields limited information about the applicability of the proposed methods to real problems. As a step forward, we have constructed two devices that allow us to quickly and inexpensively produce large datasets from non-trivial but well-understood physical systems. The devices, which we call causal chambers, are computer-controlled laboratories that allow us to manipulate and measure an array of variables from these physical systems, providing a rich testbed for algorithms from a variety of fields. We illustrate potential applications through a series of case studies in fields such as causal discovery, out-of-distribution generalization, change point detection, independent component analysis, and symbolic regression. For applications to causal inference, the chambers allow us to carefully perform interventions. We also provide and empirically validate a causal model of each chamber, which can be used as ground truth for different tasks. All hardware and software is made open source, and the datasets are publicly available at causalchamber.org or through the Python package causalchamber.

arxiv情報

著者 Juan L. Gamella,Jonas Peters,Peter Bühlmann
発行日 2024-08-26 12:14:31+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG, stat.ME, stat.ML パーマリンク