May, 2023

从数据中发现因果关系和方程

PDF
TL;DR本文回顾了物理学领域关于因果关系和方程式发现的概念、方法和相关工作，在地球和气候科学、流体动力学与力学以及神经科学等领域展示了一系列案例，展示了有效地利用观测数据、现代机器学习算法与领域知识的互动等方面，揭示了通过观察自然现象发现根本定律和因果关系的过程正在通过更好地利用观测数据、先进的机器学习算法和与领域知识的互动得到革命性的变革。
physicsequation discoverycausal relationsobservational datamachine learning
发现论文，激发创造
  • 因果发现综述：理论与实践

    本文介绍因果推断、因果发现、因果图、算法和真实世界应用，并探讨最近一致性观点对现有算法的概述、有用的工具和数据，以及为什么和如何可以成功利用这些方法。

    May, 2023

  • 来自视频中物理系统的因果关系发现

    本文提出了一种基于视频无监督学习的因果发现方法，结合感知、推理和动力学模块，能够从短序列的关键点信息中高效地发现物体、环境变量之间的相互作用，并做出反事实推理和未来预测。

    Jul, 2020

  • AI Hilbert：从数据和背景知识到自动化科学发现

    在拥有大量实验数据的情况下，结合回归和推理的数据驱动方法能够从部分正确的背景理论中自动推导出一些著名科学定律，包括开普勒行星运动的第三定律、哈根 - 普瓦兹方程和辐射引力波功率方程。

    Aug, 2023

  • 通过观察视觉场景理解物理方程

    该论文介绍了一种新的算法，利用由 Observer Engine 和 Physicist Engine 组成的流程来从视频中推断出物理规律和数学公式，实验结果表明该算法能够有效地应用在不同的物理世界中。

    Nov, 2018

  • 走向真正的微分方程发现

    该论文探讨了在没有专家输入的情况下独立发现方程的先决条件和工具，消除了方程形式假设的需求，并解决了在正确方程未知时评估已发现方程的充分性的挑战，以提供无需先前知识的方程可靠发现的洞察。

    Aug, 2023

  • 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

  • 物理学和机器学习交互应用于地球观测

    介绍了学习方法在地球科学中应用的主要挑战，提出了几种融合了物理学和机器学习的方法，包括从数据中提取微分方程、加入物理先验和依赖性约束的数据驱动模型、改进参数化、模拟物理模型以及融合数据驱动和基于过程的模型，从而发现地球系统中的知识。

    Oct, 2020

  • 定量因果关系、因果引导的科学发现和因果机器学习

    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

  • 数据因果学习的调查：问题与方法

    本文研究了在海量数据时代我们如何学习原因关系及其联系对我们的影响。作者综述了传统和前沿的学习因果关系和关联的方法，并指出大数据的优势和挑战。

    Sep, 2018

  • 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