视觉因果特征学习

Dec, 2014

Visual Causal Feature Learning

Krzysztof Chalupka, Pietro Perona, Frederick Eberhardt

TL;DR提供了视觉行为的严格定义和一种能够广泛适用于人类、动物、神经元、机器人和其他感知系统中视觉驱动行为的方法，基于微观变量构建因果变量并通过最小化实验验证来获取因果知识。该定理与机器学习中的标准推理技术相连，最后提出一个主动学习方案来自动识别目标行为的视觉原因。

Abstract

We provide a rigorous definition of the visual cause of a behavior that is broadly applicable to the visually driven behavior in humans, animals, neurons, robots and other perceiving systems. Our framework generalizes standard accounts of causal learning to settings in which the causal

causal learning visual behavior observational data machine learning active learning

发现论文，激发创造

因果推理遇见视觉表征学习：一项前瞻性研究

本文综述了现有的因果推理方法在视觉表征学习中的应用，探讨了当前方法和数据集的限制，并提出了因果推理算法基准的前景挑战、机会和未来研究方向，以更有效地实现可靠的视觉表征学习及相关应用。

Apr, 2022

因果学习的生成式干预

介绍了一种学习鲁棒视觉表示的框架，该框架能够推广到新的视点、背景和场景环境，并利用干扰因素以制造人为干预特征，从而学习更加符合基础因果关系的鲁棒表示方法。实验证明，该方法提升了多个需要超出训练分布的数据集的性能，在从 ImageNet 到 ObjectNet 数据集进行无分布推广时展现出最先进的性能。

Dec, 2020

典型计算机视觉任务中的因果推理

基于深度学习的方法已经颠覆了人工智能领域。本文综述了在典型的计算机视觉和视觉语言任务中，深度学习的基础、稳定性以及存在的问题，并总结了因果理论对解决这些问题的优势以及构建因果模型的方法。未来的规划包括促进因果理论的发展并在其他复杂场景和系统中应用。

Jul, 2023

基于视觉模型的强化学习因果关系发现的系统评价

本文研究在机器学习中从观察数据中识别因果关系的问题，探讨如何帮助学习高级变量及其中的因果结构，并介绍了一套基于强化学习的环境用于测试表示学习算法的性能。研究表明，模型中显式地融合结构和模块化有助于因果识别。

Jul, 2021

通过因果归因解释视觉模型

本文提出了基于干预因果模型的解释方法来计算特征变化对输出的影响，从而得到新的样本。同时也发现在生成图像方面当前模型的局限性。

Sep, 2019

神经因果抽象

通过聚类变量及其域的方法，发展了一种新的因果抽象方法，以更好地适应由 Pearl 的因果层次结构引发的个体因果分布，并进一步将这些结果与表示学习相结合，将这些结果更接近实际应用。

Jan, 2024

来自视频中物理系统的因果关系发现

本文提出了一种基于视频无监督学习的因果发现方法，结合感知、推理和动力学模块，能够从短序列的关键点信息中高效地发现物体、环境变量之间的相互作用，并做出反事实推理和未来预测。

Jul, 2020

弱监督因果表示学习

本文基于一组弱监督条件，通过隐式潜因果模型的方式，为无标签不完整数据集中的图像等数据探究了因果结构和因果变量的识别方法。

Mar, 2022

特征可视化有助于理解 CNN 激活的因果关系吗？

在解释性人工智能方面，通过激活最大化可视化单元响应是一种被广泛应用的方法，而此研究测试了此方法是否能有效的帮助人们预测激活单元的变化，结果表明其在一定程度上有帮助，但并没有明显优势。

Jun, 2021

从时间连续图像学习上下文因果关系

本文探讨了从视觉信号中学习上下文因果关系的可能性，提出了高质量数据集 Vis-Causal，并展示了通过好的语言和视觉表征模型和充足的训练信号，可以从视频中自动发现有意义的因果知识。

Dec, 2020