DOMINO: 基于时间相关现象的可视化因果推理
本文介绍了一种用于从事件序列数据中恢复因果关系的可视化分析方法,它已将Hawkes过程的Granger因果分析算法扩展到包括用户反馈的因果模型细化,并具有一组新颖的可视化和交互。通过一系列的定量和定性评估以不同的应用领域中的案例研究来展示这一系统的实用性。
Sep, 2020
本文探讨了从视觉信号中学习上下文因果关系的可能性,提出了高质量数据集Vis-Causal,并展示了通过好的语言和视觉表征模型和充足的训练信号,可以从视频中自动发现有意义的因果知识。
Dec, 2020
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
本文综述了现有的因果推理方法在视觉表征学习中的应用,探讨了当前方法和数据集的限制,并提出了因果推理算法基准的前景挑战、机会和未来研究方向,以更有效地实现可靠的视觉表征学习及相关应用。
Apr, 2022
提出了一种新的约束条件因果推断方法eCDANs,旨在解决传统时态因果推断方法的问题,具有检测迟滞和同时因果关系以及时间变化的能力。实验表明该方法能够识别时间影响并优于基线方法。
Mar, 2023
本研究通过整合时间和因果关系的方式,提出 TC-GAT 模型并用于因果关系提取任务,在编译了包括时间关系在内的数据集基础上,进行了实验表明其比基线模型更为有效。
Apr, 2023
引入因果图归一化流(causal-graphical normalizing flows, cGNFs)这一新方法,该方法利用深度神经网络对以有向无环图(directed acyclic graphs, DAGs)表示的理论进行经验评估,模型所显示的数据的完整联合分布,而无需对函数形式进行严格的假设,从而可以对由DAGs确定的任何因果估计量进行灵活的半参数估计,包括总效应、条件效应、直接和间接效应以及路径特定效应。
Jan, 2024
通过细致而统一的因果关系定义以及涉及人类与/或物体之间相互作用的显式因果图,本论文构建了一个名为CELLO的新数据集,并表明当前的大规模视觉语言模型在因果推理任务上依然面临困难,但可以从提出的因果启发式思维提示策略CELLO-CoT中获得显著的收益。
Jun, 2024
本研究解决了当前视频因果推理仅限于简单单事件分析的问题,提出了多事件因果发现(MECD)任务,旨在揭示长视频中事件之间的因果关系。研究采用新颖的基于Granger因果性的框架,通过事件预测模型进行因果测试,并整合因果推理技术,验证了在多事件视频中提供因果关系的有效性,超越现有模型5.7%和4.1%。
Sep, 2024