| عنوان مقاله به انگلیسی | $χ$SPN: Characteristic Interventional Sum-Product Networks for Causal Inference in Hybrid Domains | ||||||||
| عنوان مقاله به فارسی | ترجمه فارسی مقاله $χ$SPN: شبکههای مجموع محصول مداخلهای مشخص برای استنتاج علی در دامنههای ترکیبی | ||||||||
| نویسندگان | Harsh Poonia, Moritz Willig, Zhongjie Yu, Matej Zečević, Kristian Kersting, Devendra Singh Dhami | ||||||||
| فرمت مقاله انگلیسی | |||||||||
| زبان مقاله تحویلی | ترجمه فارسی | ||||||||
| فرمت مقاله ترجمه شده | به صورت فایل ورد | ||||||||
| نحوه تحویل ترجمه | دو تا سه روز پس از ثبت سفارش (به صورت فایل دانلودی) | ||||||||
| تعداد صفحات | 17 | ||||||||
| لینک دانلود رایگان مقاله انگلیسی | دانلود مقاله | ||||||||
| دسته بندی موضوعات | Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی , | ||||||||
| توضیحات | Submitted 14 August, 2024; originally announced August 2024. , Comments: 17 pages, 11 figures. Accepted as poster at UAI (Uncertainty in Artificial Intelligence) 2024 | ||||||||
| توضیحات به فارسی | ارسال شده در 14 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 17 صفحه ، 11 شکل.به عنوان پوستر در UAI (عدم اطمینان در هوش مصنوعی) 2024 پذیرفته شد | ||||||||
| اطلاعات بیشتر از این مقاله در پایگاه های علمی |
INSPIRE HEP NASA ADS Google Scholar Semantic Scholar فرمت ارائه ترجمه مقاله |
تحویل به صورت فایل ورد |
زمان تحویل ترجمه مقاله |
بین 2 تا 3 روز پس از ثبت سفارش |
کیفیت ترجمه |
بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه میشود. |
جداول و فرمول ها |
کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج میشوند. |
|
چکیده
Causal inference in hybrid domains, characterized by a mixture of discrete and continuous variables, presents a formidable challenge. We take a step towards this direction and propose Characteristic Interventional Sum-Product Network ($χ$SPN) that is capable of estimating interventional distributions in presence of random variables drawn from mixed distributions. $χ$SPN uses characteristic functions in the leaves of an interventional SPN (iSPN) thereby providing a unified view for discrete and continuous random variables through the Fourier-Stieltjes transform of the probability measures. A neural network is used to estimate the parameters of the learned iSPN using the intervened data. Our experiments on 3 synthetic heterogeneous datasets suggest that $χ$SPN can effectively capture the interventional distributions for both discrete and continuous variables while being expressive and causally adequate. We also show that $χ$SPN generalize to multiple interventions while being trained only on a single intervention data.
چکیده به فارسی (ترجمه ماشینی)
استنباط علی در حوزه های ترکیبی ، که با ترکیبی از متغیرهای گسسته و مداوم مشخص می شود ، یک چالش بزرگ را نشان می دهد.ما گامی به سمت این جهت برداشته و شبکه سودمند محصول مداخله ای ($ $ SPN) را پیشنهاد می کنیم که قادر به برآورد توزیع های مداخله ای در حضور متغیرهای تصادفی است که از توزیع های مختلط گرفته شده است.$ χ $ SPN از توابع مشخصه در برگهای یک SPN مداخله ای (ISPN) استفاده می کند و از این طریق یک دیدگاه یکپارچه برای متغیرهای تصادفی گسسته و مداوم از طریق تبدیل فوریه-استیلتژها از اقدامات احتمال ارائه می دهد.یک شبکه عصبی برای برآورد پارامترهای ISPN آموخته شده با استفاده از داده های مداخله شده استفاده می شود.آزمایشات ما در 3 مجموعه داده ناهمگن مصنوعی نشان می دهد که $ χ $ SPN می تواند به طور مؤثر توزیع مداخله ای را برای متغیرهای گسسته و مداوم در حالی که بیانگر و علت کافی است ، ضبط کند.ما همچنین نشان می دهیم که $ χ $ SPN در حالی که فقط در یک داده مداخله واحد آموزش دیده است ، به چندین مداخله تعمیم می یابد.
| فرمت ارائه ترجمه مقاله | تحویل به صورت فایل ورد |
| زمان تحویل ترجمه مقاله | بین 2 تا 3 روز پس از ثبت سفارش |
| کیفیت ترجمه | بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه میشود. |
| جداول و فرمول ها | کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج میشوند. |


نقد و بررسیها
هنوز بررسیای ثبت نشده است.