肉匹配机器！多尺度能力实现因果学习
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
本研究在分析人类和神经网络在元强化学习范式中通过定抽象特征区分任务表现的差异，其中构建了一种新方法 “任务合成体”，其具有相似的统计特征但使用不同的基础生成过程。结果表明，人类在抽象任务上表现比任务合成体更好，而常见神经网络架构在抽象任务上的表现比匹配的任务合成体更差。
Apr, 2022
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
本文综述认知科学的进展，提出了人工智能领域需要实现的目标和面临的挑战，即建立支持解释和理解的世界因果模型，以及将学习基于物理和心理直觉理论，使用组合性和学习来学习以适应新的任务和情况
Apr, 2016
复杂适应性代理通过解决需要理解因果信息的问题来实现其目标；因果认知研究并描述了人类和非人类动物在因果学习和推理方面的主要特征，提供了一个概念框架，可以根据任务的因果理解水平来讨论认知表现；本研究将机器学习和强化学习与因果认知相结合，构建了一个统一的因果认知框架，从而提供了动物认知研究的计算角度，并为人工智能中的因果强化学习算法的开发提供了新的视角。
Jun, 2024
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
我们认为将硬分类界限视为暂时的、观察者相关的、实用主义的观点是有用的，这种观点有助于我们理解生物与技术中的多计算、多功能原则，并有助于我们理解和设计演化和设计系统的方式。
Dec, 2022