A Survey of Methods, Challenges and Perspectives in Causality

要約

深層学習モデルは、高次元データから相関パターンを抽出することで、さまざまなタスクで成功を収めていますが、初期分布から一般化する場合には依然として困難を伴います。
因果エンジンはデータ分布から独立したメカニズムを学習することを目的としているため、深層学習と因果関係を組み合わせることで、2 つの分野に大きな影響を与えることができます。
この論文では、この仮定をさらに推し進めます。
私たちは、深層学習と 2 つの領域が直面する課題に重点を置き、さまざまな観点から因果関係の理論と手法を広範に概説します。
私たちは、分野を統合するための初期の試みと、将来に向けた可能性のある展望を示します。
最後に、Causality のテクニックに対するさまざまなアプリケーションを提供します。

要約(オリジナル)

Deep Learning models have shown success in a large variety of tasks by extracting correlation patterns from high-dimensional data but still struggle when generalizing out of their initial distribution. As causal engines aim to learn mechanisms independent from a data distribution, combining Deep Learning with Causality can have a great impact on the two fields. In this paper, we further motivate this assumption. We perform an extensive overview of the theories and methods for Causality from different perspectives, with an emphasis on Deep Learning and the challenges met by the two domains. We show early attempts to bring the fields together and the possible perspectives for the future. We finish by providing a large variety of applications for techniques from Causality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google