Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Explications causales au fil du temps : raisonnement articulé pour les environnements interactifs

Created by
  • Haebom

Auteur

Sebastian R odling, Matej Ze\v{c}evi c, Devendra Singh Dhami, Kristian Kersting

Contour

Dans cet article, nous proposons une formulation récursive d'arbres explicatifs capturant les interactions temporelles afin de surmonter les limites des explications causales structurelles (ECS) existantes, applicables uniquement aux petits ensembles de données. Cela permet de généraliser les ECS pour générer des explications de phénomènes complexes tels que des traces de changement causal sur plusieurs pas de temps ou des boucles de rétroaction impliquant le comportement d'un agent. Nous comparons les performances de l'algorithme proposé avec celles des ECS existantes et d'autres méthodes d'explication causale à l'aide de données de séries chronologiques synthétiques et d'un jeu de grille 2D.

Takeaways, Limitations

•
Takeaways:
◦
Il surmonte le problème des petits ensembles de données, qui constituait une limitation des SCE existants, et permet la génération d'explications causales qui prennent en compte les interactions temporelles et les boucles de rétroaction.
◦
Il a été démontré qu’il est applicable à divers types de données (données de séries chronologiques, jeux de grille 2D, etc.).
◦
Nous présentons une nouvelle méthodologie qui peut expliquer des relations causales plus complexes et plus réalistes.
•
Limitations:
◦
L'évaluation des performances de la méthodologie présentée est limitée aux données synthétiques et aux environnements de jeu simples. Une application et une vérification des performances sur des données réelles complexes du monde réel sont nécessaires.
◦
À Mesure que la complexité de l'arbre de description augmente, le coût de calcul peut augmenter. Cela peut nécessiter le développement d'algorithmes efficaces.
◦
ÉTant donné que cela dépend de la précision du modèle causal appris, les erreurs dans le modèle peuvent affecter la précision de l’explication.
👍
Made with Slashpage