IJCAIMay, 2023

量化因果抽象学习的一致性和信息损失

PDF
TL;DR本文介绍了一系列干预措施，以帮助代理人在不同抽象水平之间进行权衡，探究其中信息的一致性和损失，并提出了用于评估和学习因果抽象的算法。最后，我们通过实证表明了不同措施和算法选择可能导致不同的抽象。
structural causal modelscausal relationsabstraction levelsinterventional measurescausal abstractions
发现论文，激发创造
  • 计算结构因果模型的最优抽象

    本篇论文主要研究在不同抽象层次上使用因果模型的特性，旨在学习到新的抽象模型，研究者通过定义形式化学习问题，并采用优化和信息损失函数来阐明抽象过程。

    Aug, 2022

  • 多个干预分布上联合学习一致的因果抽象

    本文提出了一个基于 Rischel（2020）提出的抽象形式化理论的因果抽象学习框架，并给出了一个可微分编程解决方案，以在人造数据和电动汽车电池制造领域中实现了关于多个分辨率级别的因果关系推理。

    Jan, 2023

  • 线性结构因果模型的因果抽象学习

    采用线性因果模型的线性抽象函数，本研究首先确定了低级系数和抽象函数如何决定高级系数，以及高级模型如何约束低级变量的因果顺序；然后，通过观测数据学习了高级和低级因果模型及其抽象函数，并提出了一种名为 Abs-LiNGAM 的方法，利用所学高级模型和抽象函数所引导的约束，加快了更大规模低级模型的恢复过程，假设产生噪声项为非高斯分布；通过模拟实验验证了从数据中学习因果抽象的有效性以及我们的方法在改善因果发现的可扩展性方面的潜力。

    Jun, 2024

  • 因果结构学习中的非线性、反馈与一致性

    寻找自动化搜索方法，从观察数据中学习因果结构；讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构；提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义，可用于非高斯分布；轻松学习具有潜变量的因果结构的充分性假设。

    Aug, 2023

  • 神经因果抽象

    通过聚类变量及其域的方法，发展了一种新的因果抽象方法，以更好地适应由 Pearl 的因果层次结构引发的个体因果分布，并进一步将这些结果与表示学习相结合，将这些结果更接近实际应用。

    Jan, 2024

  • 基于约束条件从少样本图中学习因果结构

    该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。

    May, 2022

  • 用因果抽象进行忠实的模型解释

    本文提出因果抽象理论作为高层次的 AI 模型解释的数学基础，使用因果抽象分析来确定可解释的高层次因果模型是否忠实反映了 AI 模型的行为和内部结构，同时我们还定义了近似因果抽象的概念以度量高层次因果模型对底层模型的抽象程度，并将 LIME、因果效应估计、因果中介效应分析、迭代零空间投影和基于电路的解释方法形式化为因果抽象分析的特例。

    Jan, 2023

  • 基于视觉模型的强化学习因果关系发现的系统评价

    本文研究在机器学习中从观察数据中识别因果关系的问题，探讨如何帮助学习高级变量及其中的因果结构，并介绍了一套基于强化学习的环境用于测试表示学习算法的性能。研究表明，模型中显式地融合结构和模块化有助于因果识别。

    Jul, 2021

  • 使用干预措施和实证数据评估因果模型的论证

    本论文阐述因果推断对人工智能的重要性，分析了现有的评估技术和存在的局限，并提出采用干预措施和实际数据进行评估的方法，探讨了其可行性和优越性。

    Oct, 2019

  • 量子因果结构的信息论推论

    本文描述了一种计算给定交互模式下可出现的信息理论约束的通用算法，并将其应用于两个相关案例：第一个案例中，我们证明信息因果原则在我们的框架中自然出现且得到推广和强化；第二个案例中，我们导出了在网络架构中可能出现的相关性的限制。

    Jul, 2014