学习解离因果机制的元转移目标

Jan, 2019

A Meta-Transfer Objective for Learning to Disentangle Causal Mechanisms

Yoshua Bengio, Tristan Deleu, Nasim Rahaman, Rosemary Ke, Sébastien Lachapelle...

TL;DR利用元学习方法，基于快速适应新分布的速度，学习因果结构，包括因果关系的参数化，模块化和编码等方面，以提高对非标准干预的快速适应能力和降低重学需要的信息量。

Abstract

We propose to meta-learn causal structures based on how fast a learner adapts to new distributions arising from sparse distributional changes, e.g. due to interventions, actions of agents and other sources of non-stationarities. We show that under this assumption, the correct causal st

meta-learning causal structures adaptation modularization encoding

发现论文，激发创造

循环独立机制的快速与慢速学习

将知识分解成可交替使用的部分可在分布变化时带来泛化优势，而采用特定的模块化学习方法和自适应机制以及元学习可以实现更快的适应。

May, 2021

因果模型的可迁移性结构映射

本文介绍了一种基于对象导向表现形式的迁移学习框架，该框架利用人类学习因果模型并将其用于环境的变量之间的迁移。作者将连续优化的结构学习技术应用于对象之间的因果关系的显式学习中，并通过基于因果知识的对象分类将其迁移到目标领域。最后，在强化学习中，作者结合了因果模型和无模型方法，实现对格子世界环境中的对象表现的优化。

Jul, 2020

在稀疏机制转移假设下异质环境下的因果发现

本文探讨了在非独立同分布环境下学习因果结构的方法，提出了稀疏机制偏移假设，并应用于提出的机制偏移得分进行实证研究，结果证明了该算法具有较高的正确性和实用性。

Jun, 2022

因果机制转移的少样本领域自适应

本文提出了一种利用机制转移适应目标领域的方法，该方法可以在数据生成机制在不同领域间不变的假设下应对非参数移位问题，并应用因果模型中的结构方程来进行域适应，实验证明该方法可以在回归问题中有效使用。

Feb, 2020

因果模型的泛化和适应性能

本文研究了神经因果模型在零样本和小样本情况下的性能，并将其与单体模型和结构模型进行比较，其中预测变量的集合没有被限制为因果父节点。研究发现，相对于其他模型，因果神经模型在低数据量情况下具有更好的零样本和小样本适应性，并提供了稳健的泛化能力。此外，研究发现，比起更密集的图，对于更稀疏的图，这种效果更为显著。

Jun, 2022

学习独立的因果机制

通过模拟物理机制，我们开发出一种无监督学习的算法，能够从变换后的数据点中恢复出一组相互独立的机制，并且这些机制可以移植到新的领域中，对于迁移学习有重要的启示和应用。

Dec, 2017

从多个分布中学习因果表示：一个通用设置

在非参数的因果表示学习中，通过稀疏约束和适当的因果影响条件，可以恢复有向无环图的势化图，从而揭示潜在因果模型的潜在变量及其关系的特定且复杂的方式。

Feb, 2024

公平感知因果模型的适应速度分析

在机器翻译任务中，为了实现两种语言之间的双向翻译，常常使用源语料库作为目标语料库，这涉及到使用相反方向的两个模型进行训练。然而，不同因素会影响适应速度，包括原始分布和修改后分布之间的因果依赖关系。本文通过考察简单的结构性因果模型中的敏感变量作用，对两个模型在四种场景的适应速度进行对比，并证明了所有干预情况下两个模型适应速度之间的联系。

Aug, 2023

因果模型适应速度分析

本文在未知的结构因果模型 G 执行未知干预收集的数据集的基础上，使用随机优化的收敛速率，对因果关系下的结构因果模型 (SCMs) 适应速度进行了研究，并利用参数空间距离作为代理来衡量适应速度。我们发现，当干预在原因变量上时，SCM 的正确因果方向会得到巨大优势，而当干预在效应变量上时，我们对其相对适应速度进行了表征。令人惊讶的是，我们发现反因果模型在某些情况下具有优势，从而推翻初始假设。

May, 2020

用于因果发现的元强化学习算法

本文中提出了一种利用元强化学习算法，通过学习干预变量的方法来进行因果发现并构建明确的因果图的方法，研究表明与现有最先进的方法相比表现出的结果更好，揭示了这种干预策略对于该方法性能的贡献。

Jul, 2022