因果深度学习
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
Dec, 2022
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
基于深度学习的方法已经颠覆了人工智能领域。本文综述了在典型的计算机视觉和视觉语言任务中,深度学习的基础、稳定性以及存在的问题,并总结了因果理论对解决这些问题的优势以及构建因果模型的方法。未来的规划包括促进因果理论的发展并在其他复杂场景和系统中应用。
Jul, 2023
因果分析对于可解释的深度学习和泛化提供了有前景的途径,通过将因果性纳入人工智能算法,并利用气象可预测性初次构建严格的因果分析形式体系,在过去的 18 年中,成功解决了以往因果性分析中模糊、非数量化、计算效率低等挑战,并通过广泛应用在大气海洋科学以及其他学科领域,如量子力学、神经科学、金融经济学等,带来了科学发现。本文简要回顾了这十年来的探索工作,包括重要的理论结果列表、因果深度学习框架的概述以及与地球科学相关的一些实际应用,例如关于全球变暖人为原因、El Niño Modoki 的年代预测、中国极端干旱的预测等。
Feb, 2024
本文利用因果推断的思想描述了一种普遍的 CNN 模型推理框架,并通过形成结构性因果模型的方式对 CNN 的一个特定方面进行了抽象化,提出了量化评估卷积层滤波器的因果重要性的方法。我们的方法以 LeNet5、VGG19 和 ResNet32 等流行的 CNN 架构为例进行了说明。
Nov, 2018
本文介绍了基于深度学习的因果关系发现方法,从变量范式的角度将可能的因果发现任务分为三类,并针对每种任务定义并实例化相关数据集和最终的因果模型,并回顾了各种任务的现有因果发现方法。最后,提出了一些研究路线图以解决现有领域的研究空白,并指出未来的研究方向。
Sep, 2022
我们研究了随机过程生成的多变量时间序列数据中的因果推理。与现有方法不同,我们提出了一种直接建立时间过程中事件之间因果关系的学习范式,并通过两个关键引理将其框架化成为强化学习问题。我们的方法提供了揭示和量化扩散过程中因果关系的形式化和计算工具,包括离散时间马尔可夫决策过程等各种重要设置。通过复杂的实验和深度学习,我们的框架揭示和量化了看似无法解释的因果链接。
Feb, 2024
本文提出了一种基于深度学习技术的因果推断方法,用于处理高维复杂数据,包括稀疏深度学习理论和随机神经网络,通过这些技术,该方法能够一致地解决高维度和未知数据生成过程的问题,并在存在缺失值的数据集中表现优于现有方法。
Mar, 2024
Causal Pretraining explores supervised learning to discover causal relationships from time series data, demonstrating that performance increases with data and model size and suggesting the potential for a foundation model for causal discovery.
Feb, 2024
机器学习在预测方面已经取得了很大进展,但缺乏通用人工智能,研究表明因果推断是实现机器推理和机器智能的一种重要方法,本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究,提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。
Jul, 2016