基于仿真的反事实因果推断:真实世界驾驶员行为研究
本文探讨了从低级别的时间观察中学习高级因果结构的问题,使用了当代基于观察的时间因果发现技术来探究自主机器人场景中的因果发现,并在多个数据集上进行了实验验证,提出了未来探索因果发现在自主机器人中应用的方向。
Jan, 2023
探究对策性分析在人类轨迹预测中的应用,并构建因果图分析历史轨迹与未来轨迹以及环境交互之间的关系,并对轨迹进行反事实干预以减轻环境偏差带来的负面影响,从而取得了公共行人轨迹预测基准测试的最佳结果。
Jul, 2021
离线数据是教导机器人复杂行为的宝贵和实用资源。本文介绍了一种数据增广方法 CAIAC,可以在没有访问在线环境交互的情况下,从一个固定的数据集中创建可行的合成转换。通过利用量化因果影响的原则方法,我们能够通过在数据集中独立轨迹之间交换 “不受动作影响” 的状态空间部分来进行反事实推理。经验证明,这可以显著提高离线学习算法对分布偏移的鲁棒性。
May, 2024
本文介绍如何利用因果推断来理解与环境交互并预测系统变更的后果,从而使人类和算法能够选择改变,以改善系统的短期和长期性能。作者还通过对 Bing 搜索引擎广告放置系统的实验来说明他们的方法。
Sep, 2012
本文介绍一种方法,通过数据整合和建立结构性因果模型,在不同条件下解决由选择偏差引起的局部统计问题,并针对数据集的部分可识别性问题提出了一种逼近计算方法。通过系统的实验验证和实例研究,证明了这种方法的可行性和准确性,并揭示了数据整合对于信息界的提高具有积极的作用。
Dec, 2022
通过利用贝叶斯网络分析各个参数的关系,本文提出了一种系统的方法来降低对数据的需求量,并在未观测到的交叉口生成真实的场景,以此评估自动驾驶功能的场景测试。
Apr, 2024
CAROLINA 是一个明确模拟旅行行为因果关系、提高预测准确性并保持可解释性的深度因果推论模型,通过深度学习和传统离散选择模型相结合,在虚拟现实行人过街行为、伦敦的出行偏好行为以及合成数据等案例研究中展示了我们提出模型在揭示因果关系、预测准确性和评估政策干预方面的有效性,结果表明能够减少行人压力水平的干预机制会导致等待时间缩短的人数增加 38.5%,而在伦敦减少出行距离会导致可持续出行方式的增加 47%。
May, 2024
我们提出一个新颖的框架,用于在随机序列多智能体环境中为智能体的决策提供因果解释,通过自然语言交流回答广泛的用户查询,涉及联想、干预或反事实的因果推理。该方法不假定任何特定的因果图,而是依赖于相互作用的生成模型来模拟反事实世界,从而识别决策背后的显著原因。我们将该方法应用于自动驾驶的运动规划,并在耦合交互的模拟场景中进行测试。我们的方法可以正确地识别和排名相关的原因,并向用户提供简明的解释。
Feb, 2023