该研究阐述了建立和理解人工智能系统的基本思想:从符号方法到统计学习,再到基于因果关系概念的干预模型,其中一些机器学习和人工智能的难题内在地与因果关系有关,而进展可能需要我们加深对如何从数据中建模和推断因果关系的理解。
Apr, 2022
本文概述了因果分析的基本背景和关键概念,总结了最近的可解释机器学习的因果方法,讨论了评估方法质量和因果可解释性中的开放问题。
Jun, 2020
论文回顾了因果推断的基本概念,并将其与机器学习的关键问题联系起来,提出了因果表示学习的核心问题,并提出了机器学习和因果学研究领域的关键研究方向。
Feb, 2021
我们提出了一种因果学习模型,通过因果推断和干预研究物理现象的因果关系,并加强(或削弱)对潜在物理过程模型的信心。
Sep, 2023
本文介绍了因果机器学习(CausalML)方法,该方法将数据生成过程形式化为结构性因果模型(SCM),并从因果的角度探讨了干预和反事实的影响,同时将该方法归类为五类:因果监督学习,因果生成建模,因果解释,因果公平性和因果强化学习,并比较了每种类别中的方法,包括在计算机视觉,自然语言处理和图形表示学习等不同领域的应用,提供了因果基准的概述,以及对该新兴领域现状的关键讨论和未来工作的建议。
Jun, 2022
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
因果分析对于可解释的深度学习和泛化提供了有前景的途径,通过将因果性纳入人工智能算法,并利用气象可预测性初次构建严格的因果分析形式体系,在过去的 18 年中,成功解决了以往因果性分析中模糊、非数量化、计算效率低等挑战,并通过广泛应用在大气海洋科学以及其他学科领域,如量子力学、神经科学、金融经济学等,带来了科学发现。本文简要回顾了这十年来的探索工作,包括重要的理论结果列表、因果深度学习框架的概述以及与地球科学相关的一些实际应用,例如关于全球变暖人为原因、El Niño Modoki 的年代预测、中国极端干旱的预测等。
Feb, 2024
本文综述了在潜在结果框架下,针对观察数据的因果推断方法。这些方法分为两类,包括传统的统计学方法和最新的机器学习方法,还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。
Feb, 2020
为了实现强人工智能,机器学习系统需要现有因果推断任务所使用的现实模型等形式来进行指导,以克服当前系统以统计或无模型方式运行时的理论性局限和性能障碍。该论文总结了现有系统无法完成的七个任务,并说明了现实模型对机器学习系统的必要性。
Jan, 2018
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