知识获取和推断的因果独立性
本文研究了贝叶斯网络建模中的参数独立性、模块化特性、似然等价性等假设。同时介绍了机制独立性和组件独立性这两个新的假设,通过以上全部假设可以将学习无因果网络的方法应用到因果网络中。
Feb, 2013
本文介绍了一种基于 Causal Anonymous Walks (CAWs) 的神经网络模型 CAW-N,用于利用匿名化的时空随机游走来表示动态网络,支持联机训练和推理,并在链接预测方面表现出优秀的性能。
Jan, 2021
本研究提出了一种新的方法,用于利用精确贝叶斯网络推断中的因果独立性,并且通过算法 VE 对给定证据和查询变量进行因果独立推理,结果表明此方法更加高效,并且允许前人算法不能接受的更大网络的推理。
Dec, 1996
TiPNN 模型以历史时间图为基础,采用统一的图结构来全面捕捉和封装历史信息,并利用查询感知的时间路径模拟与查询相关的历史路径信息,从而实现对时间知识图的推理,并在归纳设置下取得显著性能提升。
Sep, 2023
本研究讨论将关于因果关系的先验知识纳入因果模型,并介绍了一些基于因果贝叶斯网络和最大祖宗图等模型的加入因果先验知识的方法和过程,通过模拟实验和案例研究发现,加入少量先验知识将导致大量新的推断结果。
Jun, 2012
建立可靠的知识结构是构建有效的自适应学习系统和智能辅导系统的前提。在追求可解释和可信赖的知识结构的基础上,我们提出了一种构建因果关系知识网络的方法。该方法利用贝叶斯网络作为基础,并结合因果关系分析来推导因果网络。此外,我们介绍了一种基于该框架的可靠知识学习路径推荐技术,提升教学和学习质量,同时保持决策过程的透明度。
Jun, 2024
人类使用因果关系和假设的回顾来进行日常决策、计划和理解生活事件。AI 系统需要更丰富的因果关系表示来支持干预和反事实推理,以提高人类对 AI 系统的理解。Causal Knowledge Graph(CausalKG)框架利用最近的因果关系进展和 KG,提供了一种领域适应型的因果模型,用于表示 KG 中的复杂因果关系,并支持反事实推理和干预,从而实现了领域可解释性。
Jan, 2022
提出了一种名为 IDOL 的可用于识别瞬时潜在动态的识别框架,借助于稀疏影响约束和基于时间序列数据的上下文信息建立了潜在因果过程的可辨识性结果,通过时间变分推断架构和基于梯度的稀疏规则识别潜在因果过程。在模拟数据集上的实验结果表明,我们的方法可以识别潜在的因果过程,并且在具有瞬时依赖关系的多个人体运动预测基准测试中的评估结果表明了我们方法在现实世界环境中的有效性。
May, 2024
本文提出了一种名为因果关系网络的算法,采用神经网络学习因果模型,并使用连续表示方法表示因果模型,从而更好地处理大量变量和利用先前的知识帮助学习新的因果模型,同时提出一种基于解码的评估指标。在合成数据的测试中取得了高精度和快速适应新因果模型的效果。
Aug, 2020