基于人工智能因果模型的推断物理定律
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
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
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
通过一系列的实验,我们评估了当前基于视觉的大型语言模型在直觉物理、因果推理和直观心理领域的表现。我们的研究结果表明,尽管这些模型在处理和解释视觉数据方面表现出显著的能力,但在这些领域仍然不如人类。这些模型对物理定律和因果关系有基本的理解,但缺乏更深入的洞察力 - 人类认知的一个关键方面。此外,在需要直觉心理理论的任务中,这些模型完全失败。我们的结果强调了将更强大的理解因果关系、物理动力学和社会认知机制整合到现代基于视觉的语言模型中的必要性,并指出了认知启发式评估标准的重要性。
Nov, 2023
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
研究探索通过推断环境因果结构以收集相关干预数据为手段,建立捕捉传感器运动交互背后真实物理机制的世界模型对于提高深度学习、强化学习、迁移学习和泛化能力至关重要。
Aug, 2022
机器学习与因果推断的新兴融合方法介绍,涵盖经典结构方程模型、其现代人工智能等价物有向无环图和结构性因果模型的思想,并使用现代预测工具来进行这些模型的推断。
Mar, 2024
本文综述了基于直觉物理的深度学习方法在物理推理方面的最新进展和技术。将现有的深度学习技术分为三个方面的物理推理,并将其组织为三种一般的技术方法,提出了该领域的六个分类任务。最后,本文强调了当前领域的挑战并提出了一些未来的研究方向。
Feb, 2022