ICMLJun, 2012
因果和反因果学习
On Causal and Anticausal Learning
Bernhard Schoelkopf, Dominik Janzing, Jonas Peters, Eleni Sgouritsa, Kun Zhang...
TL;DR本文研究了因果模型下的函数估计问题,进一步探讨因果知识对半监督学习、知识迁移和协变量转移等问题的影响,并通过实证结果支持了半监督学习的假设。
Abstract
We consider the problem of function estimation in the case where an
underlying causal model can be inferred. This has implications for popular
scenarios such as covariate shift, concept drift, →
发现论文,激发创造
半生成建模:基于因果关系特征的协变量偏移适应
本文针对协变量偏移问题提出了一种半生成模型,该模型能够利用未标注的数据进行自适应学习和半监督学习,并且通过学习原因和影响同时作用的形式,解决了因果推理问题和领域转移问题,实验表明该方法在分类任务中具有显著优势。
Jul, 2018
深度因果生成模型的半监督学习
通过利用变量之间的因果关系最大化利用所有可用数据,我们首次开发了半监督深层因果生成模型,以解决所提出的反事实问题,甚至对于具有不完整标签的样本,我们借助因果推断的技术来推断缺失值并生成逼真的反事实。
Mar, 2024
半监督学习、因果关系和条件聚类假设
本文通过同时使用因果特征和效应特征进行分类的方式,拓展了有关半监督学习的研究成果,并利用效应特征在给定因果特征的条件下的条件分布信息来提高分类精度。
May, 2019
半监督学习中的信息论方法在协变量偏移下的应用
该研究提出了一种用于半监督学习在数据集分布改变的情景下的新方法,基于信息理论,该方法包括了当前流行的熵最小化和伪标签方法,提出了一些新的上界描述其泛化误差情况,其在数据集分布改变的情景下胜过之前提出的方法。
Feb, 2022
深度因果学习:表示、发现和推断
本文综合评述了深度学习在因果学习中的贡献,解决了传统因果学习方法中的许多问题,并指出深度因果学习在因果科学的理论拓展和应用扩展中的重要性,并成为通用人工智能中不可或缺的一部分。
Nov, 2022
将因果推断重新解释为预测未观测的联合统计量的任务
通过因果推断方法可以推断未被观察到的联合分布的性质,进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景,并且通过推导因果模型的 VC 维,得出了预测的泛化界限。
May, 2023