핵심 개념
物理的な因果関係を知識グラフの予測タスクを用いて発見する新しいアプローチ CausalDisco を提案する。
초록
本論文は、物理的な因果関係を発見するための新しいアプローチ CausalDisco を提案している。CausalDisco は以下の4つのフェーズから構成される:
- 既知の因果関係を因果ネットワークにエンコーディングする
- 因果ネットワークを因果知識グラフ (CausalKG) に変換する
- CausalKG の知識グラフ埋め込み (KGE) モデルを学習する
- CausalKG 内の新しい因果関係を予測する
CausalDisco は、因果関係の強さを表す因果重みを KGE モデルに組み込むことで、従来の手法よりも優れた因果関係の発見性能を示す。
具体的には、ベンチマークデータセット CLEVRER-Humans を用いて評価を行った。その結果、因果重みを考慮した CausalKGE-W モデルが、因果重みを考慮しない CausalKGE-Base モデルよりも、因果説明タスクで平均43.26%、因果予測タスクで平均79.26%高い性能を示した。また、マルコフ連鎖に基づくデータ分割手法を用いることで、ランダムなデータ分割手法よりも高い性能が得られた。
さらに、CausalKG に追加の知識を組み込むことで、因果関係の発見性能がさらに向上することが示された。
통계
因果重みを考慮した CausalKGE-W モデルは、因果重みを考慮しない CausalKGE-Base モデルよりも、因果説明タスクで平均43.26%高い性能を示した。
因果重みを考慮した CausalKGE-W モデルは、因果重みを考慮しない CausalKGE-Base モデルよりも、因果予測タスクで平均79.26%高い性能を示した。
マルコフ連鎖に基づくデータ分割手法を用いた CausalKGE-W モデルは、ランダムなデータ分割手法を用いた CausalKGE-W モデルよりも、因果説明タスクで0.75%高い性能を示した。
マルコフ連鎖に基づくデータ分割手法を用いた CausalKGE-Base モデルは、ランダムなデータ分割手法を用いた CausalKGE-Base モデルよりも、因果予測タスクで15.28%高い性能を示した。
인용구
"因果重みを考慮した CausalKGE-W モデルは、因果重みを考慮しない CausalKGE-Base モデルよりも、因果説明タスクで平均43.26%高い性能を示した。"
"因果重みを考慮した CausalKGE-W モデルは、因果重みを考慮しない CausalKGE-Base モデルよりも、因果予測タスクで平均79.26%高い性能を示した。"