学习因果事件连结序列
CAUSE 是一个新颖的框架,通过拟合神经点过程来隐式捕捉事件互依存关系,然后使用公理归因方法从过程中提取格兰杰因果统计量,以解决学习异步、相互依赖、多类型事件序列的格兰杰因果关系的问题。在多个数据集上,CAUSE 表现优于一系列最先进的方法,能够正确推断一系列事件类型之间的格兰杰因果关系,包括在具有不同事件互依存关系的数据集上。
Feb, 2020
本文介绍了一种用于从事件序列数据中恢复因果关系的可视化分析方法,它已将 Hawkes 过程的 Granger 因果分析算法扩展到包括用户反馈的因果模型细化,并具有一组新颖的可视化和交互。通过一系列的定量和定性评估以不同的应用领域中的案例研究来展示这一系统的实用性。
Sep, 2020
提出一种基于时间序列的 Granger 因果关系并结合文本数据进行因果关系的提取,建立事实间的因果联系,使用神经元的推理算法训练常识因果关系对下一个因果步骤的预测,并取得了实验证据支持该方法从时间序列文本特征中提取有意义的因果联系并生成适当解释
Jul, 2017
我们研究了在数据点序列中预测和解释事件发生的挑战,特别关注未知触发器导致事件发生的非连续、屏蔽和嘈杂数据点的情况。通过结合分析、仿真和机器学习方法,我们探索、量化和提供了解决此挑战的解决方案,并确证了支持各种变化的通用方程。使用这些方程,我们描述了复杂性如何随各参数变化(例如,明显和隐藏状态的数量、触发器长度、置信度等)而变化,并量化了成功训练机器学习模型所需的数据。我们还证明了我们的机器学习解决方案能够学习和识别未知触发器并预测事件的发生。如果挑战的复杂性过高,我们的机器学习解决方案可以识别触发器候选项,以更高效的方式与正在调查的系统进行交互,以确定真正的触发器。通过分享我们的发现,我们希望帮助其他面临类似挑战的人们,让他们能够估计问题的复杂性、所需数据以及解决方案。
Jun, 2024
利用大型语言模型 (LLM) 的最新进展,我们提出了首个事件因果识别方法,从 GPT 中设计特定提示以提取事件因果关系。根据 GLUCOSE 数据集中的人工注释事件因果关系,我们的技术表现与监督模型相当,同时易于推广到不同类型和长度的故事。提取的因果关系在故事质量评估上带来了 5.7% 的提升和 8.7% 的故事视频文本对齐改进,我们的发现表明事件因果在计算机故事理解中有巨大的潜力。
Nov, 2023
我们研究了随机过程生成的多变量时间序列数据中的因果推理。与现有方法不同,我们提出了一种直接建立时间过程中事件之间因果关系的学习范式,并通过两个关键引理将其框架化成为强化学习问题。我们的方法提供了揭示和量化扩散过程中因果关系的形式化和计算工具,包括离散时间马尔可夫决策过程等各种重要设置。通过复杂的实验和深度学习,我们的框架揭示和量化了看似无法解释的因果链接。
Feb, 2024
本文介绍了一种新的精细化因果推理数据集,并在自然语言处理中提出了一系列新的预测任务,例如因果检测、事件因果提取和因果问答。作者通过大量实验和分析表明,数据集中的复杂关系对最先进的方法带来了独特的挑战,并强调了潜在的研究机会,特别是在发展 "因果思维" 方法方面。
Apr, 2022
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
本文探讨了从视觉信号中学习上下文因果关系的可能性,提出了高质量数据集 Vis-Causal,并展示了通过好的语言和视觉表征模型和充足的训练信号,可以从视频中自动发现有意义的因果知识。
Dec, 2020