MMJul, 2020

多元宇宙中的购物：一种反事实方法来进行会话内归因

PDF
TL;DR针对电子商务中的网站搜索引擎的会话归因挑战，我们将问题表述为因果反事实推断，并与行业设置的基于规则的系统和多点触摸归因文献中的预测模型进行对比。我们提出了学习针对目标商店的生成浏览模型的方法，利用 prod2vec 嵌入产生的潜在空间，展示了如何在相同的空间中有效地表示自然语言查询，并以评估因果贡献为目的进行 “搜索干预”。最后，我们在模拟了客户访谈和定性分析中出现的重要模式的合成数据集上验证了该方法，并在一个合作商店的行业数据集上呈现了初步结果。
in-session attributionon-site search enginescausal counterfactual inferencegenerative browsing modelsearch intervention
发现论文，激发创造
  • 电商生鲜零售中的 Markdown：一种反事实预测和多期优化方法

    该论文提出了一种新的基于数据驱动和可解释的降价定价策略，使用半参数结构模型进行反事实预测和多期价格优化，并采用随机模型建立顺序定价策略。

    May, 2021

  • 借助因果推理增强语言理解

    本研究提出了反事实推理模型，在学习少量反事实样本的基础上，通过生成对于每个正面事实样本的代表性反事实样本，并使用回顾模块根据对比反事实和正事实样本来检查模型预测，从而模拟对于困难测试样本的人类反事实思维。该方法在情感分析和自然语言推理方面的广泛实验验证了其有效性。

    Jun, 2021

  • 反事实推理与学习系统

    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

  • 在现实反事实情况下连接属性和 QA 模型行为

    本文研究了不同的归因技术在阅读理解（RC）领域中对现实反事实的假设的对齐程度，并发现对于 RC 最好的表现来自于我们对现有的一种配对归因方法的修改。

    Apr, 2021

  • IITK-RSA 参加 SemEval-2020 任务 5：检测反事实

    本文描述了解决 SemEval-2020 任务 5 的努力，该任务涉及检测称为反事实的一类文本表达式并将其分解为其组成部分。

    Jul, 2020

  • 文本分类的任意生成对抗解释

    在机器学习中，理解分类器推荐或预测背后的推理对用户非常重要。然而，学习的模型通常太复杂，以至于人类难以理解。本文提出了一个通用框架，用于在文本领域生成反事实解释，这个框架是不限于模型、表示和领域的，并且可以随时使用。本文将任务建模为通过替换文本的各个部分来转换初始状态为分类文本的搜索问题，包括独立于领域的运算符，但也可以通过专门的运算符利用领域特定的知识。搜寻算法试图找到距离原始分类对象具有最小的基于单词级别的 Levenshtein 距离的互补类文本。

    Nov, 2022

  • 基于模型的反事实综合器用于解释

    我们提出了一种称为 Model-based Counterfactual Synthesizer (MCS) 的框架，用于解释机器学习模型，它是一种模型解释的新型方法，基于假设数据集构建计算模型的 “反事实解释”，通过使用 CGAN 生成器和 Umbrella Sampling 技术加强设计的正确性，验证了在多个数据集上的有效性和效率，并与其他替代方案进行了比较。

    Jun, 2021

  • 反事实推理：测试语言模型对假设场景的理解

    通过调查五种预训练语言模型在特殊条件下进行的逆向推理，发现这种逆向推理主要受到基于单词关联的影响，只有 GPT-3 能够展现对语言细微差别的敏感性。

    May, 2023

  • 回溯反事实

    本文探索并规范了在 SCM 框架中的反事实推理的另一种模式 ——backtracking account，并在相关文献和可解释的人工智能领域进行讨论和连线。

    Nov, 2022

  • 使用有意义对照实验的交互式 LLMs 分析

    生成完整且有意义的文本反事实示例的新算法以及交互式可视化工具，用于分析和解释 LLMs。

    Apr, 2024