Jan, 2023

通过 NOTEARS 评估因果结构学习中的专家知识引导效果

PDF
TL;DR本研究考察了外界专家知识增强因果关系挖掘模型的影响，结果表明校准模型错误的知识可以显著提高挖掘效果，对于挖掘因果关系而言，对影响边的约束比对非影响边的约束对性能的提升更为显著。
causal modelingcausal discoveryknowledge augmentationnonparametric notearsactive edges
发现论文，激发创造
  • 利用语言模型作为不完美专家的因果推断

    本文研究如何利用专家知识来改进因果图的数据驱动识别，通过考虑提出一些修正策略来利用因果图的一致性属性，例如无环性和条件独立性。最后，通过一个真实数据的案例分析，本文说明了一个大型语言模型可以被用作一个不完善的专家。

    Jul, 2023

  • 计量经济学中的因果推断和数据融合

    本文讨论了人工智能（AI）文献中关于因果推断的近期进展，其具有可自动化的算法标准、中等平衡的优势等特点，有望对计量方法做出贡献。

    Dec, 2019

  • 将因果优先知识作为路径约束融入贝叶斯网络和最大祖先图

    本研究讨论将关于因果关系的先验知识纳入因果模型，并介绍了一些基于因果贝叶斯网络和最大祖宗图等模型的加入因果先验知识的方法和过程，通过模拟实验和案例研究发现，加入少量先验知识将导致大量新的推断结果。

    Jun, 2012

  • 从因果对到因果图

    通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。

    Nov, 2022

  • 增强知识学习路径的可解释性：因果知识网络

    建立可靠的知识结构是构建有效的自适应学习系统和智能辅导系统的前提。在追求可解释和可信赖的知识结构的基础上，我们提出了一种构建因果关系知识网络的方法。该方法利用贝叶斯网络作为基础，并结合因果关系分析来推导因果网络。此外，我们介绍了一种基于该框架的可靠知识学习路径推荐技术，提升教学和学习质量，同时保持决策过程的透明度。

    Jun, 2024

  • 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

  • ACRE：超越协变的抽象因果推理

    本研究旨在引入抽象因果推理（ACRE）数据集并使用四种类型问题系统地评估现有视觉系统在因果诱导中的表现，并发现纯神经模型更倾向于关联策略而神经符号组合在反向阻塞推理方面存在困难，这些不足需要更具全面性的因果诱导模型的未来研究。

    Mar, 2021

  • 从新闻构建和解释因果知识图谱

    本文提出了一种从新闻中构建因果知识图谱的方法，其中采用了基于 BERT 的抽取模型和主题模型等技术，最终实现了高召回率、高精度和高连通性的知识图谱，有效地捕捉和传达因果关系。

    May, 2023

  • 知识追踪中端到端因果发现的概念模型

    本篇研究提出了一种深度知识追踪模型中的新型因果门循环单元（ GRU）模块，使用学习排列矩阵及以可选学习下三角矩阵的方式，解决了技能之间的因果关系问题，该解决方案在教育领域中有着重要的应用价值。

    May, 2023

  • 朝着马尔科夫等价下界因果效应

    预测未见干预的效果是数据科学中的一个基本研究问题。本文采用了部分祖先图（Partial Ancestral Graph）作为输入，提供了一种可以在数据驱动环境下计算因果效应界限的系统算法。

    Nov, 2023