AAAINov, 2019

基于理论的因果转移：融合实例级归纳与抽象级结构学习

PDF
TL;DR采用因果理论的角度来解决迁移学习的问题，在 OpenLock 环境中实现了基于模型和 Bayesian 结构的计划者与模型学习方案，与强化学习相比，该模型表现出更好的迁移表现和类似于人类学习者的表现趋势。
transfer learningcausal theorybayesian structuremodel-based planneropenlock environment
发现论文，激发创造
  • 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

  • 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

  • 多个干预分布上联合学习一致的因果抽象

    本文提出了一个基于 Rischel（2020）提出的抽象形式化理论的因果抽象学习框架，并给出了一个可微分编程解决方案，以在人造数据和电动汽车电池制造领域中实现了关于多个分辨率级别的因果关系推理。

    Jan, 2023

  • 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

  • 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

  • 从视觉观察推断目标指向任务的因果关系

    本文提出了一种利用有向无环图产生因果知识，辅助人工智能完成目标驱动任务的方法，并通过实验证明该方法可以有效地推广到在先前未见的具有新的因果结构的环境下完成新任务。

    Oct, 2019

  • 线性结构因果模型的因果抽象学习

    采用线性因果模型的线性抽象函数，本研究首先确定了低级系数和抽象函数如何决定高级系数，以及高级模型如何约束低级变量的因果顺序；然后，通过观测数据学习了高级和低级因果模型及其抽象函数，并提出了一种名为 Abs-LiNGAM 的方法，利用所学高级模型和抽象函数所引导的约束，加快了更大规模低级模型的恢复过程，假设产生噪声项为非高斯分布；通过模拟实验验证了从数据中学习因果抽象的有效性以及我们的方法在改善因果发现的可扩展性方面的潜力。

    Jun, 2024

  • 因果传递学习的不变模型

    该研究论文提出了一种基于因果学的传递学习方法，针对数据集中的子集进行预测，从而在领域泛化问题上取得了最优表现。

    Jul, 2015

  • 利用人类引导的因果知识实现更一般化的机器人任务规划

    通过人类引导的因果知识的使用，作者在语言接口和机器人上开发和测试了一种方法，可以使机器人在新环境中获得泛化解决方案。

    Oct, 2021

  • 使用因果反事实推理的迁移学习在决策 Transformer 中的应用

    在强化学习中，通过应用因果推理和决策变换机制，从先前的环境中收集数据并将其用于新环境中的自适应转移学习可以成功地获得最佳策略，并保留大部分收益。

    Oct, 2021