基于深度学习模型的视频分析系统常常是不透明且易碎的,需要解释系统来帮助用户进行调试。现有的模型解释系统善于以像素贡献的方式给出行为的字面解释,但无法整合可能影响预测的物理或系统过程的信息。本文引入了回归不连续设计这种简单形式的因果推理,用于将多个关键绩效指标的变化与物理世界现象相关联,以给用户提供更可行的视频分析解释集合。我们概述了系统架构,并描述了这种系统可能带来的影响的愿景。
May, 2024
CausalDisco 是一种将因果关系发现作为知识图谱补全问题的新方法,支持因果解释和因果预测,并通过比较多个知识图嵌入算法在模拟视频数据集上的表现,证明了使用加权因果关系能够提高因果关系发现的性能。
Apr, 2024
研究提出了一个新的问题,即如何从视觉输入中进行物体力学的反事实学习,并提出了一种用于在反事实情境下学习物理动态的模型。通过学习对初始条件进行干预时对其结果的影响,和对潜在因素的学习,该网络可以捕捉到物理环境的潜在特性,从而具有超越人类表现的预测能力。
Sep, 2019
本文介绍如何利用因果推断来理解与环境交互并预测系统变更的后果,从而使人类和算法能够选择改变,以改善系统的短期和长期性能。作者还通过对 Bing 搜索引擎广告放置系统的实验来说明他们的方法。
Sep, 2012
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
本研究将因果发现方法应用于人机空间相互作用建模,从真实世界的传感器数据中尝试理解人类行为,提高服务机器人场景的预测准确性。
Oct, 2022
利用 CausalKinetiX 计算框架,可以从离散时间、噪声观察数据中识别动力学系统结构并生成一个基于因果的动力学模型,提升了预测性能以及实验之外的泛化能力。
Oct, 2018
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
本文介绍因果推断、因果发现、因果图、算法和真实世界应用,并探讨最近一致性观点对现有算法的概述、有用的工具和数据,以及为什么和如何可以成功利用这些方法。
May, 2023
本研究测试了一种基于神经网络的数据驱动因果关系发现方法,证明其比现有的人工设计的方法在神经网络和医学数据中表现更优秀。结果表明在已知因果关系的大数据集的监督下,学习因果发现程序是改进神经学和医学数据中因果关系的新途径。
Sep, 2022