利用高阶范畴论统一因果推断和强化学习
提出了一种分层层次结构,称为 UCLA(通用因果层次结构),它将多个分类抽象级别结合起来进行因果推断。此结构利用顶部的简单分类抽象级别和底部的数据层,在不同层次之间进行映射,并将因果推断定义为提升问题,通过各种举例演示了 UCLA 的应用。
Dec, 2022
本文提出了一种基于范畴论的普适因果推断框架 (Universal Causality),利用范畴论架构了一种抽象的因果关系图示,提出了 “范畴”、“自然变换” 和 “函子” 这些概念,从而构建了一种通用的因果语言工具并且给出了普遍性因果定理(UCT)和因果再现性原则(CRP)。
Jul, 2022
通过引入新的代数结构 - 分类体,综合了有向无环图和三元条件独立结构,从而定义了一个新的方法来表示条件独立性,并使用函子和单子来抽象地描述条件独立性的图形和非图形表示的忠诚度。
Aug, 2022
介绍了赋予高阶函数和连续分布的概率编程语言的新概率论形式化 —— 拟 Borel 空间。展示了拟 Borel 空间可以替代标准可测空间、支持高阶函数、支持等式推理证明、同时支持连续概率分布,并将其运用于高阶函数与概率的理论证明。
Jan, 2017
本论文提出了 CDHRL 框架,通过因果驱动探索而非随机驱动探索来构建高质量的分层结构,以提高分层强化学习的探索效率。实验表明,在 2D-Minecraft 和 Eden 两种复杂环境中,CDHRL 显著提高了探索效率。
Oct, 2022
在这篇论文中,我们研究了域递推推理规则,它被认为是冗余的。我们发现,这个规则比预期的更强大,并且实际上显著扩展了模型的范围,其中一些模型的抬升推理时间多项式增长。我们还确定了新的域可抬升理论类别,其中一些理论的使用域递推可以实现指数加速。
Oct, 2016
本文利用分类学的方法,构建了一个强化学习的可组合性框架,研究了分解问题为子任务并在这些任务上运用学习策略的方法。文章针对贝尔曼最优方程而研究在组合模型下的可行性,探讨使用一些纤维积和推出操作使得组合现象更明显,并且通过引入的 zig-zag 连线模拟了 MDP 中的连续式任务完成方式。
Aug, 2022
研究了 Pearl 的因果层次结构 (PCH) 框架中的推理和计算复杂性,重点关注概率和因果语言中表达的满足性问题,特别是与边缘化相关的方程,证明了不同层次和操作符的确切计算复杂性结果,以及对受限模型进行了考虑。
May, 2024
我们提出了一个关于通用框架,用于指定和研究深度学习架构的难题的见解。我们认为目前为止的关键尝试缺乏一个能够将模型必须满足的约束与其实现进行协调的桥梁。我们的提议是应用范畴论 —— 更具体地说,是参数化映射的范畴论,作为一个单一的理论,优雅地包含了这两种类型的神经网络设计。为了支持我们的观点,我们展示了这个理论如何恢复由几何深度学习引起的约束,并介绍了从神经网络的多样化领域中提取的许多架构的实现,如递归神经网络。我们还说明了这个理论如何自然地编码计算机科学和自动机理论中的许多标准结构。
Feb, 2024
本文介绍了范畴论中的一些主题,主要集中在单且大多为对称的单子类别上,特别是具有有限维希尔伯特空间、关系和流形作为对象时的类别。这些类别具有共同的特征,如图解演算,紧闭结构和特定类型的内部余半群,并引导我们向拓扑量子场论。此外,还讨论了一些基本的主题,如偏序类别、群表示和单子类别的严格化和一致性。
May, 2009