基于变分的因果识别
本文提出了一个基于群论的框架来研究因果发现算法,统一概括了多种方法中独立原理(ICM)的解释和应用,通过随机泛群转换来评估原因 - 机制关系并证明该群论视角为研究数据生成机制提供了一个非常通用的工具,并可以直接应用于机器学习。
May, 2017
最新的视觉反事实解释方法利用深度生成模型的能力合成了高维度图像的新示例,本研究提出了一个系统的、量化的评估框架以及一组最小的指标,探索了最新的基于扩散的生成模型在自然图像分类的反事实解释方面的关键设计选择的效果,并通过产生数千个反事实解释来对各种复杂度、准确性和鲁棒性的分类器进行了一系列消融实验,为未来反事实解释方法的进一步改进和发展提出了多个方向,通过分享研究方法和解决计算挑战的方法,为该领域的研究人员提供了宝贵的指导,促进了对反事实解释的评估的一致性和透明度。
Aug, 2023
本文发展了形式工具,用于在马尔科夫和半马尔科夫模型中分解虚假变异。我们证明了首个允许非参数分解虚假效应的结果,并提供了识别这种分解的充分条件。所述方法有多个应用,从可解释和公平的 AI 到流行病学和医学问题,并在真实世界数据集上证明了其用途。
Jun, 2023
本文回顾了两组单变量因果发现的方法:加性噪声方法(ANM)和信息几何因果推断(IGCI)。作者呈现了一项由各个领域(如,气象学、生物学、医学、工程、经济学等)37 个数据集中选择的 100 个不同因果对的数据基准,这些方法在真实世界基准数据上的实证结果表明,某些方法确实能够仅使用纯观测数据区分原因和效应。
Dec, 2014
本文提出一种基于独立因果机制(ICM)原理的新梯度学习框架,理论和实验结果表明,这种学习方法可以在训练时利用不同环境之间的分布偏移,使神经网络更加鲁棒,并成功地找到与环境无关的关系,达到了对不稳定环境的泛化能力。
Oct, 2020
本文提出了一种基于独立因果机制的因果解缠结的新概念,并提出了 ICM-VAE 框架来学习因果解缠结表示,使用可学习的基于流的差分同胚函数将噪声变量映射到潜在因果变量,同时为了促进因果因素的解缠结,提出了因果解缠结先验。在相对温和的条件下,我们提供了理论结果,显示出因果因子和机制的可识别性。经验证明,该框架引导出高度解缠结的因果因子,提高了干预的稳健性,并且与因果生成相容。
Jun, 2023
本文提出了一个新的因果框架,能够解决概率和非概率问题,引入了直接因果效应公式 PACE 及其变种,并提供了计算反事实因果的可辨识性标准,对观察研究进行了处理,与其他框架进行了比较。
Aug, 2022
本文提出了一种名为 Event Causality Extraction(ECE)的新任务,旨在从文本中提取带有结构化事件信息的因果关系,并使用双网格标记方案和事件类型增强模型架构来实现该任务,实验证明了该方法的有效性,并指出了 ECE 的一些未来方向。
Jan, 2023
该研究提出了一种基于进化的因果推断(ECD)方法,用于在研究数据集中自动分析变量之间的关系,并提供解释性较强的结果。在复杂系统中,特别是在医疗保健领域的电子健康记录数据中,ECD 方法能够揭示变量之间的模式和机制,并在不同噪声水平下保持高准确性和稳定性。
Apr, 2024
CICheck 是一种运行时验证工具,旨在通过可靠性和隐私角度对因果关系发现算法进行加固。CICheck 采用一种声音且可判定的编码方案,将条件独立性关系问题转化为 SMT 问题,并通过四阶段决策过程和三个轻量级优化措施高效解决问题。CICheck 包含两个变体:ED-CICheck 和 ED-CICheck,分别用于检测错误的条件独立性测试(以提高可靠性)和修剪过多的条件独立性测试(以提高隐私性)。
Sep, 2023