Aug, 2015

关系因果模型的提升表示：推理和结构学习的影响再探讨

PDF
TL;DR本研究重新审视了抽象地面图的定义，确保其能正确地抽象所有地面图并表明其嵌套不完整，从而提出了更弱的完备性概念，即 RC 模型和其 AGG 之间的邻接完备性和方向完备性，以更好地从数据中学习 RC 模型。
relational causal modelabstract ground graphlearningconditional independence relationsfaithfulness
发现论文，激发创造
  • 具有循环的关系因果模型：表示和推理

    本文介绍了一种新的关于环形关系因果模型的表示方法和推理方法。通过引入关系 σ 分离的新标准，以及一种新的提升表示，σ- 抽象地面图，帮助在所有可能的实例化中抽象统计独立关系。我们还表明，基于 σ-AGG，关系 σ 分离对于任意长度的一个或多个循环的存在是完整的和有必要的。本文是有关现有研究所建立的第一个运行时表示和推理循环关系因果模型。

    Feb, 2022

  • 抗混淆影响的稳健因果图表示学习

    本文提出一种强化图表示学习模型鲁棒性的方法 - Robust Causal Graph Representation Learning（RCGRL），通过生成工具变量来消除图中干扰因素和混淆变量，同时保证了理论上的有效性，并在多个基准数据集上进行了实验，证明了该模型的预测性能和泛化能力均优于现有方法。

    Aug, 2022

  • 关系型连续模型的抬升推理

    本文提出新的精确的提升推理算法，用于关系连续模型，能够有效地推断大规模真实应用的模型；该算法处理连续域变量时，改进了传统方法的效率，在高斯概率下算法时间复杂度达到线性级别，并且是第一个通过提升方式处理关系连续模型的精确推理算法；文章通过实验验证表明，该算法性能优于基础推理算法和其他已知的提升方法构建的算法。

    Mar, 2012

  • 通过关系消环来学习具有环的关系因果模型

    在关系因果模型中，通过关系回路对复杂的动态系统进行建模和推理，本文引入了一种关系去环操作，探讨了用于循环关系因果模型的约束关系因果发现算法的充分必要条件。

    Aug, 2022

  • 基于检索增强生成的大型语言模型的因果图发现

    使用大语言模型从科学文献中提取关联关系，构建高质量的因果图。

    Feb, 2024

  • 提升后的图模型：一项调查

    该文章综述了关于提升图模型的工作。它介绍了提升图模型的一般形式，即 par - 因子图，并展示了许多现有的统计关系表达式如何映射到这种形式。文章讨论了包括提升推断算法在内的推理算法，它们可以高效地计算概率查询的答案。此外，文章还回顾了从数据中学习提升图模型的研究工作。我们相信在未来数十年中，对于统计关系模型（不管叫什么名字）的需求将会增加，因为我们将面对各种结构化和非结构化数据的混合，这些数据以一种嘈杂的方式从文本中提取出实体和关系，并且需要有效地处理这些数据。我们希望这篇综述可以为这个扩展领域的新研究者提供一个可访问的起点。

    Jul, 2011

  • 多智能体强化学习的群体感知协调图

    我们提出了一种新的方法来推断组感知协作图（GACG），以捕捉基于当前观测到的代理之间的合作以及跨轨迹观察到的行为模式的组水平依赖关系，并在决策过程中使用该图进行信息交换。通过在 StarCraft II 微管理任务上进行评估，我们证明了 GACG 的卓越性能。进一步的消融研究为我们的方法的每个组成部分的有效性提供了实验证据。

    Apr, 2024

  • 从关系数据中学习因果模型的声音全面算法

    该论文提出了一种名为‘关系性因果发现 (RCD)’的算法，通过关系性模型和在条件独立方面的提升推理，学习因果关系，证明了该算法的可靠性和有效性。

    Sep, 2013

  • 基于语言条件的图网络用于关系推理

    本文提出了一种基于场景上下文化表征的图网络模型，通过文本输入的迭代信息传递来构建物体的语境化表达，以支持关系推理，实验结果表明该方法有效地提高了多项任务和数据集的表现。

    May, 2019

  • 图上推理：忠实且可解释的大型语言模型推理

    本论文提出了一种理论上基于知识图谱的新方法 —— 图推理（RoG），该方法通过将大型语言模型（LLMs）与知识图谱（KGs）相结合，实现了忠实和可解释的推理，实验结果表明 RoG 在 KG 推理任务上取得了最先进的性能。

    Oct, 2023