前馈神经网络的因果发现和注入
通过构建人工合成数据集和进行实验验证,本论文从因果学习的角度综合分析了各种图神经网络模型,在此基础上提出一种轻量且高度适应性的图神经网络模块,以增强其因果学习能力。
Dec, 2023
我们提出了一种名为因果感知神经网络(CINN)的通用方法,用于将观测变量之间的层次化因果结构编码到神经网络中,从而提高其预测性能。通过将因果性结构化知识映射到神经网络的逐层设计中,CINN 通过连续优化问题将因果关系发现转化为定向无环图(DAG)学习来系统地从观测数据中发现因果关系,并通过专用架构和定制的损失函数将发现的层次化因果结构编码到神经网络中,实现了中间节点和叶节点的联合学习,显著提高了预测性能。
Nov, 2023
本文研究了神经网络中因果关系的估计及维护,提出了一种有效的方法来捕获和维护直接和间接的因果关系,并在高维数据中量化因果属性。通过实验验证此方法学习的因果属性能够接近于真实效果。
Mar, 2023
图神经网络 (GNNs) 在因果学习中的应用和发展进行了全面的综述,包括分类和应用等方面,提供了与实际研究相关的数据集,同时探讨了因果学习在不同领域的应用,为机器学习这一快速发展领域的挑战和未来的研究方向提供了启示。
Nov, 2023
近年来,对使用机器学习技术估计治疗效果的兴趣逐渐增长。本文讨论和分类了这些模型的算法归纳偏差,并提出了一种考虑因果图中的附加信息的新模型 NN-CGC,通过对模型实施新的约束,解决了来自虚假变量相互作用造成的偏差,并且可以与其他表征学习方法集成。我们使用三种不同的基础模型对我们的方法进行有效性测试,结果表明,我们的模型约束带来了显著的改进,在治疗效果估计方面取得了最新的全球领先成果。我们还展示了我们的方法对不完整因果图的鲁棒性,并且使用部分因果信息要优于忽略它。
Apr, 2024
通过图神经网络将原因与复杂变量之间的因果机制显式建模,提高了欧洲北方和地中海生物群系野火模式预测的性能。该方法在高度不平衡的数据集中表现出卓越的性能,并增强了模型适应功能关系变化的稳健性。通过训练模型得到的 SHAP 值进一步增强了我们对模型内在工作原理的理解。
Mar, 2024
本研究提出了一种能够从观测数据中学习功能性因果模型的因果生成神经网络(CGNN),通过利用条件独立性和分布异质性来发现双变量和多变量的因果结构。该模型不假定缺乏混淆因素,并使用反向传播来学习可微分的数据生成模型。通过大量实验,发现在因果推断、v - 结构识别和多元因果发现方面,CGNN 在模拟和实际数据上相对于现有技术具有很好的表现。
Nov, 2017
本文提出了一种基于神经网络方法的动力学系统研究方法,避免了传统模型建立过程中的假设。实验表明,该方法能够正确检测时间序列系统的动态信息流,尤其是在涉及冗余变量的情况下具有显著的优越性。
Jul, 2015