Mar, 2023

一种新的两级因果推断框架，用于道路车辆质量问题的诊断

PDF
TL;DR本文介绍了如何利用因果机器学习方法加快处理汽车行业中的车辆质量问题，通过实际数据集展示了提出的框架，并讨论了车辆质量应用领域的挑战。
automotive industryvehicle qualitycausal machine learningroot cause analysisdata analysis
发现论文，激发创造
  • 自动驾驶危急情况解释中的因果关系理解

    为确保自动驾驶系统的安全运行，该研究引入了因果查询的正式化，建立了抽象的安全原则，从而降低与关键影响因素相关的临界性，并对数据采集、模型质量等方面做出了贡献。

    Oct, 2022

  • 因果推断分析性能评估基准框架

    本文介绍了一个综合框架，用于对评估算法进行基准测试，它包括用于预测的未标记数据、用于验证的标记数据以及使用已建立和新颖指标进行算法预测的自动评估的代码，并解决了缩放和数据屏蔽问题。

    Feb, 2018

  • 公路交通事故对异质治疗效果的推断：一种双重鲁棒因果机器学习方法

    该研究提出了一种新颖的因果机器学习框架，用于准确估计高速公路不同类型车祸对交通速度的因果效应，该框架基于尼曼 - 鲁宾因果模型、条件 Shapley 值指数和结构因果模型，并结合双重稳健学习方法估算治疗效果。实验结果表明在不同的距离和持续时间下，追尾碰撞引起的拥堵更严重且持续时间更长，而侧面碰撞的延迟影响最长。此外，研究结果还显示夜间追尾碰撞对交通的影响较大，而在高峰时段碰撞到物体的影响最显著。通过统计假设检验、匹配的 “反事实结果” 的误差度量以及敏感性分析进行评估，结果验证了该方法的准确性和有效性。

    Jan, 2024

  • 针对细粒度因果推理和问答的探索

    本文介绍了一种新的精细化因果推理数据集，并在自然语言处理中提出了一系列新的预测任务，例如因果检测、事件因果提取和因果问答。作者通过大量实验和分析表明，数据集中的复杂关系对最先进的方法带来了独特的挑战，并强调了潜在的研究机会，特别是在发展 "因果思维" 方法方面。

    Apr, 2022

  • 基于仿真的带机器学习组件的自动驾驶车辆对抗测试生成

    本文针对包含机器学习组件的自动驾驶系统，提出了一个测试框架，利用测试用例生成和自动实现方法进行评估，并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景，从而提高自动驾驶系统的可靠性。

    Apr, 2018

  • 移动分析中因果推断的可解释性和鲁棒性机器学习视角

    本文总结了基于因果推论对深度学习进行的可解释性和稳健性研究的最新进展，强调了交通运输领域深度学习基础的可解释性和稳健性问题，并提出发展因果学习模型应用于移动性分析的机遇。

    Oct, 2022

  • 从观测数据中快速检测根本原因，并应用于 IT 系统

    引入了一种新的针对阈值性 IT 系统的结构因果模型，并提出了一种新的算法，用于快速检测此类系统中异常的根本原因，方法基于离线数据进行因果性发现，通过代理的干预提出了扩展来放宽根因非因果相关的假设，对于在线数据中的新异常，则利用子图遍历，实验证明了该方法的卓越性能。

    Feb, 2024

  • 质量进出：评估异常检测基准数据的质量

    本文通过对一个用于异常检测的基于流量的真实数据集进行修改，发现相对较小的修改对模型性能的影响，强调了数据质量评估和优化技术对于自主网络的重要性。

    May, 2023

  • 评估养护政策对沥青路面功能性能的长期影响的因果推断方法

    结合经典因果结构模型和潜在结果模型框架，提出了一种新的因果推断方法，评估了五年维护期间四种预防性维护措施对纵向龟裂的长期效果，结果显示该方法能准确评估维护措施的效果并评估维护时间以保证不同的预防性维护方法的功能性能。该框架可帮助政策制定者制定适当的道路维护策略。

    May, 2024

  • 因果推断综述

    本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。

    Feb, 2020