MMJun, 2023

利用答案集编程方法分析实际因果关系时融入背景知识

PDF
TL;DR本文介绍了一种丰富的知识表示语言，旨在形式化因果知识，并使用该语言准确直接地形式化实际因果关系的常见基准例子。文章还提出了一个原因的定义，并用于分析代表这些例子的行动序列所引起的变化的实际原因。
发现论文，激发创造
  • 使用答案集编程对心理学知识的形式化及其应用

    本文介绍了如何使用 ASP 建立心理学领域的知识形式化，以更加准确的研究、比较和验证理论。作者应用 ASP 技术，对短期记忆机制进行了形式化描述，进而预测用户与图形界面的交互。

    Jul, 2010

  • 背景知识下的因果推断和因果解释

    本文提出了一些正确的算法来回答两个问题: (i) 有没有一个因果解释与一组背景知识一致，解释了样本中观察到的所有独立的事实？ (ii) 假定存在这样一个因果解释，每个这样的因果解释都有哪些共同的因果关系？

    Feb, 2013

  • 回答应答集规划中的 “为什么” - 解释方法综述

    该论文为对 ASP 的解释性研究做出了概述。主要关注 ASP 的不同解释方式及其异同，并探讨其在未来的成功应用中的重要性。

    Sep, 2018

  • 带有 s (CASP) 的反事实解释生成

    自动决策的机器学习模型在贷款批准、预审保释、招聘等领域越来越普遍，但大多数模型是不透明的，无法揭示决策依据。本文专注于自动生成反事实解释的问题，采用了答案集规划和 s (CASP) 目标导向 ASP 系统。我们展示了如何计算和证明反事实解释，并通过想象多个可能的世界来导航解释间的关系。此外，我们还展示了如何利用我们的算法为无法满足查询的一类答案集程序找到 Craig 插值。

    Oct, 2023

  • 可解释的概率答集编程事实检查

    本文介绍了一个基于知识图谱的事实检查方法，利用其中的语义表示和逻辑规则进行推理，以产生可解释的结果。实验表明，这种基于概率推理的方法比现有技术水平更具准确性。

    Jun, 2019

  • 复杂环境中功能实际原因的自动发现

    通过使用功能实际因果 (FAC) 和联合优化实际因果推断 (JACI) 算法，本研究在复杂连续数值环境中展示了 FAC 与实际因果文献中已知结果的一致性，并且 JACI 在识别实际原因的准确性上明显优于现有的启发式方法。

    Apr, 2024

  • 基于背景知识的因果识别新规则

    在存在潜变量的情况下，通过观察数据和背景知识，本文提出了两个新规则以揭示可从数据和知识中认定的因果关系，并展示了这些规则在某些典型因果任务中的适用性，从而增强了当前方法的性能。

    Jul, 2024

  • 指导式因果关系生成

    本研究提出了一种基于条件的文本生成框架，依赖于 CausalBank 和 Cause Effect Graph 两个新资源开发，并使用词汇约束解码来支持析取正约束，利用 CausalBank 对最近一种最先进的因果推理模型的编码器进行持续训练，在不改变模型架构的情况下在 COPA 挑战集上取得了 3 分的提高。

    Jul, 2021

  • 目标导向的约束答案集程序设计的证明

    使用基于约束的谓词应答集编程的查询驱动自顶向下执行模型 s (CASP) 生成完整解释树，为 ASP 应答集提供最小化且易于转化为自然语言的解释，显著促进了 ASP 程序理解和操作的可行性。

    Sep, 2020

  • 可解释的答案集编程

    人工智能的可解释性越来越受到关注，本研究试图填补 Answer-set Programming 中的解释支持的空白，并通过扩展语言支持和开发新的解释形式（如对比解释）来推进可解释 ASP 的研究。

    Aug, 2023