Jan, 2018

因果革命中七个火花对机器学习的理论阻碍

PDF
TL;DR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。
machine learningcausal inferencemodel of realitystrong aiperformance
发现论文，激发创造
  • 从统计学习到因果学习

    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

  • 基于人工智能因果模型的推断物理定律

    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

  • 从依赖到因果

    机器学习在预测方面已经取得了很大进展，但缺乏通用人工智能，研究表明因果推断是实现机器推理和机器智能的一种重要方法，本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究，提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。

    Jul, 2016

  • 我们是否已经建造出像人一样思考的机器？

    通过一系列的实验，我们评估了当前基于视觉的大型语言模型在直觉物理、因果推理和直观心理领域的表现。我们的研究结果表明，尽管这些模型在处理和解释视觉数据方面表现出显著的能力，但在这些领域仍然不如人类。这些模型对物理定律和因果关系有基本的理解，但缺乏更深入的洞察力 - 人类认知的一个关键方面。此外，在需要直觉心理理论的任务中，这些模型完全失败。我们的结果强调了将更强大的理解因果关系、物理动力学和社会认知机制整合到现代基于视觉的语言模型中的必要性，并指出了认知启发式评估标准的重要性。

    Nov, 2023

  • 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

  • 因果学习：可解释机器学习的新视角

    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

  • 可解释人工智能中的反事实和因果：理论、算法和应用

    本研究对可解释人工智能中反事实和因果关系的分类算法进行了系统考察，发现当前的模型无法促进因果性，提出了新的方向和挑战。

    Mar, 2021

  • 定量因果关系、因果引导的科学发现和因果机器学习

    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

  • 人工智能系统的演绎模型若无良好解释则不足

    基于机器学习和深度神经网络的研究，讨论了其对逼近复杂函数的有效性，但常常缺乏透明度和解释力这些局限性。文章强调归纳问题：过去的观察未必能够准确预测未来事件，这是机器学习模型在遇到新的未知数据时所面临的挑战。文章主张不仅要进行预测，还要提供良好的解释，这是当前模型常常难以提供的特性。它建议为了人工智能的进展，我们必须寻找能提供洞察和解释而不仅仅是预测的模型。

    Jan, 2024

  • 因果世界模型的内在激励学习

    研究探索通过推断环境因果结构以收集相关干预数据为手段，建立捕捉传感器运动交互背后真实物理机制的世界模型对于提高深度学习、强化学习、迁移学习和泛化能力至关重要。

    Aug, 2022