利用深度学习组件建立结构因果模型 (SCMs) 的一个通用框架,采用正则化流和变分推断实现外生噪声变量的易处理推断,并验证其在 MNIST 和医学图像数据上的有效性,提出了 SCMs 可以回答所有 Pearl 因果逻辑的逆因果推断问题的思路。
Jun, 2020
该研究探讨了从高维数据中学习因果表示的挑战性问题,并引入了一种基于潜变量解码器模型的贝叶斯因果发现方法,在半监督和无监督的情况下进行了实验,表明使用已知的干预目标能够帮助结构和参数的无监督贝叶斯推断。
Jul, 2022
本文通过建立结构性因果模型和应用图神经网络模型,提出了一种新的因果推断方法,并证明了该方法可以用于因果效果辨识。
Sep, 2021
揭示、建模和理解自然现象的因果机制是科学研究中的基本任务,此文讨论一种名为 MgCSL(多粒度因果结构学习)的新方法,通过利用稀疏自动编码器探索从微观变量到宏观变量的粗粒度策略和因果抽象,使用多粒度变量作为输入训练多层感知机,从而深入研究变量之间的因果关系,并引入一种简化的非循环性约束以适应高维数据,实验证明 MgCSL 优于竞争方法,并在 fMRI 数据集中发现可解释的因果连接。
Dec, 2023
本文研究了关于基于数据学习因果模型的结构学习算法,比较了它们在不同场景下的实验性能表现。
Jun, 2017
通过引入结构因果模型 (SCM) 从而诱导总结数据的潜在因果结构,我们提出了一种因果启发式序列到序列模型 (CI-Seq2Seq) 来学习可以模拟因果因素的因果表示,以引导我们获取总结生成的因果信息。在两个广泛使用的文本总结数据集上的实验结果证明了我们方法的优势。
Aug, 2023
从高维数据(例如图像)中学习概念对于构建与人工智能模型相符且可解释的机器学习模型具有潜力。本研究通过将概念形式化为离散潜在因果变量,并使用嵌入在高维数据中的概念的层次因果模型来提供理论洞见与条件,以促进从无监督数据中学习这些概念的可行性。通过合成数据实验证实我们的理论观点,并讨论了对理解潜在扩散模型的潜在机制的影响,同时提供了相应的经验证据。
Jun, 2024
本文介绍了因果机器学习(CausalML)方法,该方法将数据生成过程形式化为结构性因果模型(SCM),并从因果的角度探讨了干预和反事实的影响,同时将该方法归类为五类:因果监督学习,因果生成建模,因果解释,因果公平性和因果强化学习,并比较了每种类别中的方法,包括在计算机视觉,自然语言处理和图形表示学习等不同领域的应用,提供了因果基准的概述,以及对该新兴领域现状的关键讨论和未来工作的建议。
Jun, 2022
通过引入多个潜在因素,本研究提出了一种结构因果模型 (meta-SCM),以整合不同的 NLP 任务,并只使用与特定任务相关的因果因素来进行预测,从而在提高零样本能力的同时避免了伪相关性的影响。
Feb, 2024
通过模拟物理机制,我们开发出一种无监督学习的算法,能够从变换后的数据点中恢复出一组相互独立的机制,并且这些机制可以移植到新的领域中,对于迁移学习有重要的启示和应用。
Dec, 2017