学习推理和行动物理级联事件
本文介绍了我们的 GeoAI(地理空间人工智能)解决方案,通过一组空间和时间启用的语义规则,来识别事件,特别是灾害事件之间的因果关系,在灾害事件建模的用例中,我们演示了如何利用这些定义的规则实现自动提取不同事件之间的因果关系。
Nov, 2022
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
本文提出了一种新方法,利用场景图像来推理自然语言中描述的行为的影响,并在现有的 CLEVR_HYP (Sampat et.al,2021) 数据集上进行了实验,显示出与现有模型相比,该方法在性能,数据效率和泛化能力上都具有有效性。
Dec, 2022
本文提出了一种基于视频无监督学习的因果发现方法,结合感知、推理和动力学模块,能够从短序列的关键点信息中高效地发现物体、环境变量之间的相互作用,并做出反事实推理和未来预测。
Jul, 2020
我们研究了在数据点序列中预测和解释事件发生的挑战,特别关注未知触发器导致事件发生的非连续、屏蔽和嘈杂数据点的情况。通过结合分析、仿真和机器学习方法,我们探索、量化和提供了解决此挑战的解决方案,并确证了支持各种变化的通用方程。使用这些方程,我们描述了复杂性如何随各参数变化(例如,明显和隐藏状态的数量、触发器长度、置信度等)而变化,并量化了成功训练机器学习模型所需的数据。我们还证明了我们的机器学习解决方案能够学习和识别未知触发器并预测事件的发生。如果挑战的复杂性过高,我们的机器学习解决方案可以识别触发器候选项,以更高效的方式与正在调查的系统进行交互,以确定真正的触发器。通过分享我们的发现,我们希望帮助其他面临类似挑战的人们,让他们能够估计问题的复杂性、所需数据以及解决方案。
Jun, 2024
提出了三种反事实因果发现方法,其通过提取事件的方式解决了动态环境中因果链的不稳定性,同时采用反事实模拟来克服因无法在公共道路上进行实验而带来的干扰,实验结果表明,该方法在智能驾驶中因果关系的建立方面表现显著优于传统方法。
Jun, 2023
通过深度学习方法,该研究论文在图结构中提出了一种数据驱动的、能够预测级联影响、并具有较高防御效果的防御策略,其在大规模图环境中表现出比其他深度学习方法更好的预测准确性。
Apr, 2024
通过使用编码器 - 解码器架构、模态分析器和场景图问题解答模型,我们提出了一种新的学习策略,可以提高关于行动效果的推理能力,并在 CLEVR_HYP 数据集上对我们的系统进行了评估。
Dec, 2022
本文介绍了 Cerbere,一种基于事件演算的产品系统,旨在执行在线因果、时间和认识推理,以及一个混合框架,将基于逻辑的推理与概率推理相结合,旨在在智能空间中进行活动识别和监测任务。
Dec, 2015