May, 2024

将因果表示学习与动力系统结合用于科学

PDF
TL;DR我们将因果表示学习与动力系统以及其假设联系起来，应用在可辨识的方法上，建立可辨识且实用的模型，从而解决下游任务，如分布外分类和治疗效果估计，并在真实气候数据中成功回答与现有气候变化文献相符的下游因果问题。
causal representation learningdynamical systemsidentifiable methodsdifferential equationsclimate change
发现论文，激发创造
  • 可识别因果表示学习：无监督，多视角，和多环境

    通过学习具有因果模型语义的潜在变量表示形式，此研究论文探讨了因果模型在人工智能中的应用和理论基础，重点关注可辨识性问题以及在无直接监督下的表示学习目标可行性。

    Jun, 2024

  • 从数据自动识别动力系统

    本文提出了一种方法，通过集成去噪技术、稀疏回归和自举置信区间来自动识别动力学定律，从而在物理、生物科学以及工程等各领域中有望影响对复杂系统的理解。

    Apr, 2023

  • 变分贝叶斯滤波的切换线性动力学

    利用贝叶斯推断、变分自动编码器和具体松弛技术，学习从局部和高维观察中获取更全面和有意义的状态空间，从而提高在各种模拟任务中学习的动态准确性的能力。

    May, 2019

  • 动态系统中的公平因果模型

    本文介绍因果有向无环图作为公平性动态系统研究的一个统一框架，阐明了因果假设如何表达和操作，说明了计算干预数量的重要性，并说明了因果假设能够在已知环境动态的情况下进行模拟和在未知动态下进行干预估计，以实现对短期和长期结果的干预，无论是在群体还是个人的层面上。

    Sep, 2019

  • 改进超出分布分类的因果理论和结构数据表示

    通过使用人为生成的因果知识来提高神经网络的数据表示，从而改进复杂分类任务中的自动生成模型的数据的分布外泛化性能，进而指向通过改进机器学习系统开发实践来提高机器学习系统的鲁棒性和安全性的努力中动力系统方法的实用性。

    Sep, 2023

  • 从图像像素中学习深度动态模型

    采用深度自动编码器和预测性转移模型相结合的方法，从像素信息中学习动态系统的良好预测模型。

    Oct, 2014

  • 可识别的隐含神经因果模型

    潜在维度加性噪声模型和潜在后非线性因果模型中的分布转变在因果表示学习中发挥重要作用，能够确定因果表示的可辨识性条件，并将其转化为实际算法，从而获得可靠的潜在因果表示。

    Mar, 2024

  • 可识别的潜在多项式因果模型：变化的视角

    从观察到的低级数据中揭示潜在高级因果表征是因果表征学习的目标之一，本文通过对多个环境中潜在因果变量之间因果影响的变化进行识别性探索，扩展了潜在因果模型的范围以涉及非线性因果关系，并且提出了一种新的经验估计方法，通过理论发现为学习一致的潜在因果表征提供了可行性。

    Oct, 2023

  • 学习准确可线性化的深度动力学模型

    基于机器学习方法的控制研究现已过渡到实际工程阶段。本文提出了一种学习方法，用于确保系统的稳定性、可靠性等方面，为各种控制理论提供了高度的自由度，以实现高性能和理论上的安全性。通过将简单线性控制与控制屏障函数相结合，展示了一个设计示例，并将其应用于汽车发动机的实时控制，实验结果表明具有良好的预测性能和稳定的控制能力。

    Nov, 2023

  • AI-Lorenz：一种用于深度学习物理推理的黑盒和灰盒混沌系统鉴定框架

    通过从嘈杂和稀疏的可观测数据中识别微分方程，我们开发了一个框架，学习建模复杂动力行为的数学表达式，从而填补了基于经验数据而非已知物理机制的系统的数学模型的空白。

    Dec, 2023