Aug, 2022

发现代理人

PDF
TL;DR本文提出了第一个正式的有关案例的因果定义 - 粗略地说，机构是指如果其行动以不同的方式影响世界将适应其策略的系统。从此，我们推导出了第一个通过实证数据发现代理的因果发现算法，并提供了在因果模型和博弈理论影响图之间进行转换的算法。我们通过解决一些由于错误的因果建模导致的先前混乱来演示我们的方法。
发现论文，激发创造
  • 使用干预学习自主代理端因果模型

    本篇论文介绍了一种基于 agent assessment module 的 AI 系统执行高级指令序列并回答用户问题的方法，通过不同类别的查询来比较这种方法的计算要求和正确模型的学习所需的努力，并介绍了动态因果决策网络来捕捉 STRIPS-like 领域的因果结构。

    Aug, 2021

  • 强大的代理学习因果世界模型

    任何能够满足大量分布变化下后悔边界的代理必须学习数据生成过程的近似因果模型，对于最优代理而言，该模型将趋近于真实的因果模型。这一结果对于包括迁移学习和因果推断在内的几个研究领域具有重要影响。

    Feb, 2024

  • 预测模型模拟的代理限制

    适应预测模型为基础的 AI 助手存在结构上的两个失败原因：自我暗示的错觉和预测 - 策略不一致。通过引入来自环境的反馈循环可以解决这两个问题，并验证了理论和实证分析的一致性。

    Feb, 2024

  • 从统计学习到因果学习

    该研究阐述了建立和理解人工智能系统的基本思想：从符号方法到统计学习，再到基于因果关系概念的干预模型，其中一些机器学习和人工智能的难题内在地与因果关系有关，而进展可能需要我们加深对如何从数据中建模和推断因果关系的理解。

    Apr, 2022

  • 从依赖到因果

    机器学习在预测方面已经取得了很大进展，但缺乏通用人工智能，研究表明因果推断是实现机器推理和机器智能的一种重要方法，本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究，提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。

    Jul, 2016

  • 朝向具身人工智能因果关系的基础理论

    本文论述一种框架，通过交互式体验使自主代理学习抽象因果模型需要扩展并澄清现有的理论基础，该框架将动作描述为状态空间的转换，从而使描述微状态空间的转换和抽象模型的转换成为可能，进而将因果表示和干预技能学习的目标变得更加清晰。

    Jun, 2022

  • 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

  • 机器学习安全性：网络物理系统、决策科学和数据产品

    本论文旨在明确机器学习安全的定义，并通过研究智能决策科学和数据产品等应用领域，探讨实现机器学习安全的四种策略，包括内在安全设计、安全保护垫、安全失败和程序保护，并提出相应的技术方法和异议函数，以确保解释性、因果性、人工参与和用户体验设计等方面的安全性。

    Oct, 2016

  • 发展可信人工智能系统中因果作用的评述

    本文综述了因果方法对于提高可信 AI 解决方案的应用和发展，因为现有的 AI 模型大多缺乏对人类真实世界理解的因果关系的认识，从而导致了模型泛化性能差、不公平以及难以解释等问题。

    Feb, 2023

  • 基于人工智能因果模型的推断物理定律

    我们提出了一种因果学习模型，通过因果推断和干预研究物理现象的因果关系，并加强（或削弱）对潜在物理过程模型的信心。

    Sep, 2023