因果模型的可迁移性结构映射

ICMLJul, 2020

Structure Mapping for Transferability of Causal Models

Purva Pruthi, Javier González, Xiaoyu Lu, Madalina Fiterau

TL;DR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。

Abstract

Human beings learn causal models and constantly use them to transfer knowledge between similar environments. We use this intuition to design a transfer-learning framework using object-oriented representations to

transfer learning causal models object-oriented representations continuous optimization reinforcement learning

发现论文，激发创造

基于理论的因果转移：融合实例级归纳与抽象级结构学习

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。

Nov, 2019

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

基于语言的因果表示学习

利用结构化因果模型语言，可以从一个简单离散动态系统的状态图中恢复状态变量，同时所选择的最紧凑表示对于学习体验起到有意义的学习偏好作用。

Jul, 2022

改进超出分布分类的因果理论和结构数据表示

通过使用人为生成的因果知识来提高神经网络的数据表示，从而改进复杂分类任务中的自动生成模型的数据的分布外泛化性能，进而指向通过改进机器学习系统开发实践来提高机器学习系统的鲁棒性和安全性的努力中动力系统方法的实用性。

Sep, 2023

因果结构学习

本文研究了关于基于数据学习因果模型的结构学习算法，比较了它们在不同场景下的实验性能表现。

Jun, 2017

学做中：带因果感知策略的在线因果强化学习框架

通过引入因果图模型来显式建模状态生成过程，并通过主动干预学习环境，优化衍生目标，提出了一种在探索阶段使用干预进行因果结构学习，然后在开发阶段使用学习到的因果结构进行策略指导的框架。实验结果表明，我们的方法在因果指导的策略学习和因果结构学习的良性循环的推动下，在故障报警环境中有效且稳健，超越了最先进的基准方法。

Feb, 2024

学习解离因果机制的元转移目标

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。

Jan, 2019

在面向对象环境中学习因果动力模型

本文介绍了一种新的基于对象的因果动力模型 (Object-Oriented CDM, OOCDM)，它能够在大规模对象导向的环境中学习，并通过共享因果关系和参数来适应不同类别的对象。实验证明，在因果发现、预测准确性、泛化性和计算效率方面，OOCDM 优于现有的 CDMs。

May, 2024

可配置系统性能建模的迁移学习：因果分析

通过因果分析，本文章调查了高度可配置系统中因果效应和统计关系的可识别性和可传移性，并证实了因果效应可以高度可信度地在不同环境中传递。

Feb, 2019

因果透镜下的可解释强化学习

本文使用因果关系模型来推导强化学习器的行为的因果解释，并通过对一项实验的研究结果表明，基于因果模型的解释在任务预测、解释满意度和信任方面表现更好。

May, 2019