Dec, 2022

高维因果结构的深度学习

HTML
PDF
TL;DR本文提出了一种深度神经体系结构，结合经验数据和先前的因果知识，从而学习变量之间的因果关系，并通过卷积和图神经网络在因果风险框架内提供了一种灵活和可扩展的方法，Empirical results include linear and nonlinear simulations (where the underlying causal structures are known and can be directly compared against)，特别的，在生物医学领域的实验验证结果表明，深度学习方法能够应用于学习包含数千个变量的大规模问题中的因果网络
发现论文，激发创造
  • 深度卷积神经网络用于成对因果关系

    本研究使用卷积神经网络（CNN）和集成学习来探索如何利用深度学习方法从观察数据中推断因果关系，相对于传统的基于梯度提升分类器的方法，该方法在更少的训练数据条件下表现更好且具有更广泛的应用价值。

    Jan, 2017

  • 因果正则化

    该研究使用因果正则化方法来提高预测模型的因果可解释性，针对大规模的电子健康记录数据进行了分析，结果显示相较于L1正则化模型在因果准确性方面表现出色且有竞争力的预测性能，并提高了多层感知器在探测多元因果关系上的表现约20%。

    Feb, 2017

  • 用多余输入的神经网络学习潜在因果结构

    本文介绍了一种基于深度学习的RINN模型，通过直接连接输入和潜在变量，使用修改后的结构和正则化目标函数来解决在高维数据中学习到潜在变量间因果结构的问题，并在模拟实验中验证了该方法的有效性。

    Mar, 2020

  • 前馈神经网络的因果发现和注入

    本文通过向前馈神经网络注入潜在的因果关系，以保证神经网络模型符合专家知识，从而提高模型在发现因果关系和预测性能方面的鲁棒性和精度。

    May, 2022

  • 深度因果学习：表示、发现和推断

    本文综合评述了深度学习在因果学习中的贡献，解决了传统因果学习方法中的许多问题，并指出深度因果学习在因果科学的理论拓展和应用扩展中的重要性，并成为通用人工智能中不可或缺的一部分。

    Nov, 2022

  • 因果深度学习

    提出了一种新的因果关系框架——因果深度学习，这个框架包括三个维度：结构维度、参数维度和时间维度。该框架可以在利用不完整的因果知识的同时，结合多种因果深度学习方法，解决各种实际问题，从而实现真正的实际影响。同时，这个框架还可以让研究人员系统地对现有工作进行比较，并找出有前途的研究领域。

    Mar, 2023

  • 探索因果学习通过图神经网络：深度综述

    图神经网络(GNNs)在因果学习中的应用和发展进行了全面的综述，包括分类和应用等方面，提供了与实际研究相关的数据集，同时探讨了因果学习在不同领域的应用，为机器学习这一快速发展领域的挑战和未来的研究方向提供了启示。

    Nov, 2023

  • 通过因果发现和领域知识融合提升神经网络性能

    我们提出了一种名为因果感知神经网络（CINN）的通用方法，用于将观测变量之间的层次化因果结构编码到神经网络中，从而提高其预测性能。通过将因果性结构化知识映射到神经网络的逐层设计中，CINN通过连续优化问题将因果关系发现转化为定向无环图（DAG）学习来系统地从观测数据中发现因果关系，并通过专用架构和定制的损失函数将发现的层次化因果结构编码到神经网络中，实现了中间节点和叶节点的联合学习，显著提高了预测性能。

    Nov, 2023

  • 高维因果推断的深层因果生成模型的模块化学习

    提出了名为Modular-DCM的算法，利用预训练模型可以可靠地对高维数据进行因果查询，并从可识别的干预和反事实分布中采样。

    Jan, 2024

  • 学习精炼生物网络推断的领域知识

    本研究解决了生物网络推断中由于数据稀疏性和高维性导致的因果关系学习难题。提出了一种基于数据观察的算法，通过精炼领域知识，结合了现有的生物知识图谱和模拟数据的方法。实验结果表明，该算法在揭示真实因果图和识别先前知识错误方面优于传统基线算法，即使在有限的干预数据条件下。

    Oct, 2024