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
本文讨论因果语言如何对医学影像机器学习中的主要挑战(数据稀缺性和数据不匹配)进行分析,为数据收集,注释程序和学习策略的决策提供更透明的解释。研究发现,在医学影像数据中,考虑因果关系对于机器学习的安全性、法规性和责任报告至关重要。
Dec, 2019
该研究阐述了建立和理解人工智能系统的基本思想:从符号方法到统计学习,再到基于因果关系概念的干预模型,其中一些机器学习和人工智能的难题内在地与因果关系有关,而进展可能需要我们加深对如何从数据中建模和推断因果关系的理解。
Apr, 2022
本文综述了现有的因果推理方法在视觉表征学习中的应用,探讨了当前方法和数据集的限制,并提出了因果推理算法基准的前景挑战、机会和未来研究方向,以更有效地实现可靠的视觉表征学习及相关应用。
本文综合评述了深度学习在因果学习中的贡献,解决了传统因果学习方法中的许多问题,并指出深度因果学习在因果科学的理论拓展和应用扩展中的重要性,并成为通用人工智能中不可或缺的一部分。
Nov, 2022
机器学习在预测方面已经取得了很大进展,但缺乏通用人工智能,研究表明因果推断是实现机器推理和机器智能的一种重要方法,本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究,提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。
Jul, 2016
提出了一种新的因果关系框架 —— 因果深度学习,这个框架包括三个维度:结构维度、参数维度和时间维度。该框架可以在利用不完整的因果知识的同时,结合多种因果深度学习方法,解决各种实际问题,从而实现真正的实际影响。同时,这个框架还可以让研究人员系统地对现有工作进行比较,并找出有前途的研究领域。
Mar, 2023
为了实现强人工智能,机器学习系统需要现有因果推断任务所使用的现实模型等形式来进行指导,以克服当前系统以统计或无模型方式运行时的理论性局限和性能障碍。该论文总结了现有系统无法完成的七个任务,并说明了现实模型对机器学习系统的必要性。
Jan, 2018
本文利用因果推断的思想描述了一种普遍的 CNN 模型推理框架,并通过形成结构性因果模型的方式对 CNN 的一个特定方面进行了抽象化,提出了量化评估卷积层滤波器的因果重要性的方法。我们的方法以 LeNet5、VGG19 和 ResNet32 等流行的 CNN 架构为例进行了说明。
Nov, 2018
本文介绍了基于深度学习的因果关系发现方法,从变量范式的角度将可能的因果发现任务分为三类,并针对每种任务定义并实例化相关数据集和最终的因果模型,并回顾了各种任务的现有因果发现方法。最后,提出了一些研究路线图以解决现有领域的研究空白,并指出未来的研究方向。
Sep, 2022