Apr, 2022

因果推理遇见视觉表征学习：一项前瞻性研究

PDF
TL;DR本文综述了现有的因果推理方法在视觉表征学习中的应用，探讨了当前方法和数据集的限制，并提出了因果推理算法基准的前景挑战、机会和未来研究方向，以更有效地实现可靠的视觉表征学习及相关应用。
visual representation learningcausal reasoningmulti-modal analysisrobustnessgeneralization
发现论文，激发创造
  • 从表示到推理：面向视频问答的证据与常识推理

    为了深化视频理解，包含描述、证据推理和常识推理等四类问题，我们提出了因果 - 视频问答任务及两步解决方案，发现最新 VideoQA 方法在描述方面表现强而在推理方面表现弱，希望 Causal-VidQA 能够引导视频理解研究从表示学习向深度推理发展。

    May, 2022

  • 典型计算机视觉任务中的因果推理

    基于深度学习的方法已经颠覆了人工智能领域。本文综述了在典型的计算机视觉和视觉语言任务中，深度学习的基础、稳定性以及存在的问题，并总结了因果理论对解决这些问题的优势以及构建因果模型的方法。未来的规划包括促进因果理论的发展并在其他复杂场景和系统中应用。

    Jul, 2023

  • 无强先验条件下的视觉推理学习

    通过条件批量归一化对 CLEVR 视觉推理基准进行训练，我们的方法在人工视觉推理方面实现了最先进的成果，这表明带有适当条件的通用架构可以有效地学习进行视觉推理。

    Jul, 2017

  • 透过两层认知的因果推理，提高视觉问答中的泛化能力

    利用认知路径的 VQA（CopVQA）通过强调因果推理因素来改善多模态预测，从而支持 VQA 中的概括推理。

    Oct, 2023

  • 弱监督因果表示学习

    本文基于一组弱监督条件，通过隐式潜因果模型的方式，为无标签不完整数据集中的图像等数据探究了因果结构和因果变量的识别方法。

    Mar, 2022

  • 视觉推理与基础合理性：看、记住和推理

    该研究旨在通过模仿人类视觉问题解决中的 “看、记住、推理” 模式，引入基于视觉输入的原理来整合低级视觉能力，使现有的大型语言模型能够在视觉推理问题上取得竞争性表现。

    Jun, 2023

  • 神经符号视觉推理：将 “视觉” 与 “推理” 分离

    本文提出一个框架来单独评估视觉问答（VQA）中的推理方面，同时引入一种新颖的自上而下校准技术，以使模型即使具有不完美的感知也能回答推理问题，通过在具有挑战性的 GQA 数据集上进行深入的分离比较，可以了解到众所周知的 VQA 模型参与的见解以及任务。

    Jun, 2020

  • 学习基于概念的视觉因果转换和符号推理用于视觉规划

    我们提出了一个可解释且具有通用性的视觉规划框架，包括一种新颖的基于替代的概念学习器（SCL），通过学习符号抽象和推理的任务规划，以及将视觉因果转换与语义相似的现实世界行为联系起来的视觉因果转换模型（ViCT）。通过使用学习的表示和因果转换来实现目标状态，我们在 AI2-THOR 基础上收集了一个大型视觉规划数据集（CCTP），并在这个具有挑战性的数据集上进行了大量实验，展示了我们方法在视觉任务规划中的卓越性能，同时我们还证明了我们的框架可以推广到未见过的任务轨迹和未见过的物体类别。

    Oct, 2023

  • 走向因果表示学习

    论文回顾了因果推断的基本概念，并将其与机器学习的关键问题联系起来，提出了因果表示学习的核心问题，并提出了机器学习和因果学研究领域的关键研究方向。

    Feb, 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