积极学习因果关系

Jun, 2022

Actively learning to learn causal relationships

Chentian Jiang, Christopher G. Lucas

TL;DR本文探讨了人们在积极主动学习中如何选择正确的行动以便于长期学习，通过分层贝叶斯模型预测人们除了研究目的的因果关系外，还会追求关于可能横跨多种情境和约束具体学习的抽象因果关系的信息，实验结果表明人们会判断不同学习中的抽象相似性并实现迁移，利用这些对于促进长期积极学习有着积极的效果。

Abstract

How do people actively learn to learn? That is, how and when do people choose actions that facilitate long-term learning and choosing future actions that are more informative? We explore these questions in the domain of active causal learning. We propose a hierarchical bayesian model t

active causal learning hierarchical bayesian model overhypotheses information pursuit transfer learning

发现论文，激发创造

主动因果策略在代理和语言模型中的被动学习

通过对专家数据的模仿学习，代理人可以通过对因果关系和实验的被动学习来推断和使用没有出现在训练数据中的因果链接，并可以推广到在训练中从未观察到的变量集。

May, 2023

主动和被动因果推断学习

这篇论文为对因果推断感兴趣但尚未熟悉的机器学习研究人员、工程师和学生提供了一个起点。通过阐述一组重要的因果认定假设，如可交换性、积极性、一致性和干扰的缺乏，我们将这些假设分类为两种主动和被动方法，并介绍了随机控制试验、基于赌博机的方法，以及匹配和逆概率加权等经典和深度学习的方法。通过介绍这篇论文中遗漏的一些因果推断方面，如碰撞偏差，我们希望为读者在因果推断和发现领域提供丰富的起始点用于进一步阅读和研究。

Aug, 2023

主动贝叶斯因果推断

本文提出了一种基于贝叶斯方法和高斯过程的主动学习框架 ——ABCI，该框架可同时进行因果图推断和因果推理，通过最大信息设计测量，从少量样本中更加高效地准确学习下游的因果查询，并为有关量提供良好的预测不确定性估计。

Jun, 2022

神经因果抽象

通过聚类变量及其域的方法，发展了一种新的因果抽象方法，以更好地适应由 Pearl 的因果层次结构引发的个体因果分布，并进一步将这些结果与表示学习相结合，将这些结果更接近实际应用。

Jan, 2024

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

因果发现与预测：方法与算法

我们提出了一种新的主动学习算法，通过一系列成本最低的干预来识别任何给定因果模型中的因果关系，同时引入了对时间周期性因果设置的形式化分析，并提供了一种可靠完备的算法来识别循环设置中的因果效应。

Sep, 2023

因果模型的可迁移性结构映射

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。

Jul, 2020

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

层次主动推断中的动态规划

通过动态规划，我们指的是人脑推断和施加与认知决策相关的运动轨迹的能力。最近的范式 —— 主动推断，为生物有机体的适应提供了基本见解，不断努力减小预测误差以限制在适合生活的状态中。在过去的几年中，许多研究表明，人类和动物行为可以用主动推断的过程来解释，无论是作为离散决策还是连续运动控制，这激发了机器人技术和人工智能领域的创新解决方案。然而，文献对于如何在不断变化的环境中有效规划行动仍缺乏全面的展望。本研究以建模工具使用为目标，深入探讨了主动推断中的动态规划主题，牢记生物目标导向行为的两个关键方面：理解和利用物体操纵的作用机会，以及学习自身与环境（包括其他代理者）之间的分层交互。我们从一个简单单元开始，逐渐描述更高级的结构，比较最近提出的设计选择，并为每个部分提供基本示例。本研究与传统的神经网络和强化学习的观点不同，指向主动推断中尚未开拓的方向：分层模型中的混合表示。

Feb, 2024

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