因果关系是你所需要的

Nov, 2023

Causality is all you need

Ning Xu, Yifei Gao, Hongshuo Tian, Yongdong Zhang, An-An Liu

TL;DR本文提出了 Causal Graph Routing（CGR）框架，通过干预机制揭示数据中隐藏的因果关系，并在计算机视觉和自然语言处理领域的任务中超过当前最先进方法，具有建立具有因果性的预训练大规模模型的潜力，以在更广泛的语义空间内提高机器对因果关系的理解能力。

Abstract

In the fundamental statistics course, students are taught to remember the well-known saying: "Correlation is not Causation". Till now, statistics (i.e., correlation) have developed various successful frameworks, such as Transformer and Pre-training large-scale models, which have stacked multiple parallel self-attention blocks to imitate a wide range of tasks

causal graph routing intervention mechanisms deconfounding blocks visual question answer long document classification

发现论文，激发创造

学习必要和充分的因果图

本文提出了一种能学习到只包含和我们感兴趣的结果相关的因果相关变量的必要和充分因果图（NSCG）的方法，该方法使用了因果关系的概率。我们开发了一个基于分数的算法来学习 NSCG，并在模拟和真实数据的实证研究中展示了该算法的性能优于现有算法，并能揭示对于目标可遗传特征非常重要的酵母基因。

Jan, 2023

从因果对到因果图

通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。

Nov, 2022

抗混淆影响的稳健因果图表示学习

本文提出一种强化图表示学习模型鲁棒性的方法 - Robust Causal Graph Representation Learning（RCGRL），通过生成工具变量来消除图中干扰因素和混淆变量，同时保证了理论上的有效性，并在多个基准数据集上进行了实验，证明了该模型的预测性能和泛化能力均优于现有方法。

Aug, 2022

图神经网络中因果关系学习的重新思考

通过构建人工合成数据集和进行实验验证，本论文从因果学习的角度综合分析了各种图神经网络模型，在此基础上提出一种轻量且高度适应性的图神经网络模块，以增强其因果学习能力。

Dec, 2023

探索因果学习通过图神经网络：深度综述

图神经网络 (GNNs) 在因果学习中的应用和发展进行了全面的综述，包括分类和应用等方面，提供了与实际研究相关的数据集，同时探讨了因果学习在不同领域的应用，为机器学习这一快速发展领域的挑战和未来的研究方向提供了启示。

Nov, 2023

使用自解释神经网络的 Granger 因果关系可解释模型

本文提出了一种基于自解释神经网络的非线性动力学下多元格兰杰因果推断的新框架，该框架除了关系推断外，还允许检测格兰杰因果效应的符号并检查其随时间的变化，通过模拟数据等实验表明该框架与其他基线方法相比在推断格兰杰因果性方面具有相当的性能，并在推断交互符号方面取得更好的表现，这表明本框架是推断格兰杰因果性的可行且更易解释的替代方法。

Jan, 2021

DAG 中的深度学习

引入因果图归一化流（causal-graphical normalizing flows, cGNFs）这一新方法，该方法利用深度神经网络对以有向无环图（directed acyclic graphs, DAGs）表示的理论进行经验评估，模型所显示的数据的完整联合分布，而无需对函数形式进行严格的假设，从而可以对由 DAGs 确定的任何因果估计量进行灵活的半参数估计，包括总效应、条件效应、直接和间接效应以及路径特定效应。

Jan, 2024

因果生成神经网络

本研究提出了一种能够从观测数据中学习功能性因果模型的因果生成神经网络（CGNN），通过利用条件独立性和分布异质性来发现双变量和多变量的因果结构。该模型不假定缺乏混淆因素，并使用反向传播来学习可微分的数据生成模型。通过大量实验，发现在因果推断、v - 结构识别和多元因果发现方面，CGNN 在模拟和实际数据上相对于现有技术具有很好的表现。

Nov, 2017

神经葛兰杰因果关系

利用结构化的多层感知机和循环神经网络，结合稀疏性惩罚，提出一种非线性 Granger 因果分析方法，通过其自动裁剪滞后项和处理长程依赖关系等特点，优于现有方法，可以应用于脑科学、基因组学和人体运动等领域。

Feb, 2018

网络因果效应的自动 G - 计算

该论文提出了一种基于网络分析的新的统计方法，可以用于推断出现具有干扰和长程依赖的网络单元的平均因果效应，并通过自动 - g 计算算法进行推断。

Sep, 2017