May, 2024

探索视频分析系统中的因果物理错误发现

PDF
TL;DR基于深度学习模型的视频分析系统常常是不透明且易碎的，需要解释系统来帮助用户进行调试。现有的模型解释系统善于以像素贡献的方式给出行为的字面解释，但无法整合可能影响预测的物理或系统过程的信息。本文引入了回归不连续设计这种简单形式的因果推理，用于将多个关键绩效指标的变化与物理世界现象相关联，以给用户提供更可行的视频分析解释集合。我们概述了系统架构，并描述了这种系统可能带来的影响的愿景。
video analytics systemsdeep learning modelsexplanation systemscausal reasoningregression discontinuity design
发现论文，激发创造
  • 来自视频中物理系统的因果关系发现

    本文提出了一种基于视频无监督学习的因果发现方法，结合感知、推理和动力学模块，能够从短序列的关键点信息中高效地发现物体、环境变量之间的相互作用，并做出反事实推理和未来预测。

    Jul, 2020

  • 典型计算机视觉任务中的因果推理

    基于深度学习的方法已经颠覆了人工智能领域。本文综述了在典型的计算机视觉和视觉语言任务中，深度学习的基础、稳定性以及存在的问题，并总结了因果理论对解决这些问题的优势以及构建因果模型的方法。未来的规划包括促进因果理论的发展并在其他复杂场景和系统中应用。

    Jul, 2023

  • 事件序列数据的视觉因果分析

    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

  • 基于时序因果发现的可解释在线无监督异常检测方法研究

    利用因果发现学习系统的正常因果图，通过实时传感器数据的因果连接持久性评估来及时检测异常。在两个基准异常检测数据集上，我们的方法具有更高的训练效率，超越了最先进神经网络架构的准确性，并准确地识别了 10 种以上不同的异常。

    Apr, 2024

  • 从视频中提取动态系统的控制规律和源输入

    本文介绍了一种端到端的无监督深度学习框架，基于录制的视频可以揭示物体运动的明确控制方程，在物理坐标系中建立其物理规律，并通过数值积分器和稀疏回归模块，同时解决了文献中尚无现有方法适用的问题，并成功地应用于几个动态系统的记录。

    May, 2022

  • 反事实推理与学习系统

    本文介绍如何利用因果推断来理解与环境交互并预测系统变更的后果，从而使人类和算法能够选择改变，以改善系统的短期和长期性能。作者还通过对 Bing 搜索引擎广告放置系统的实验来说明他们的方法。

    Sep, 2012

  • 因果发现学习

    本研究测试了一种基于神经网络的数据驱动因果关系发现方法，证明其比现有的人工设计的方法在神经网络和医学数据中表现更优秀。结果表明在已知因果关系的大数据集的监督下，学习因果发现程序是改进神经学和医学数据中因果关系的新途径。

    Sep, 2022

  • 动作检测的预测 - 校正网络

    本研究提出了一种基于线性动态系统和非线性映射理论的预测 - 纠正神经网络模型，能够自适应地关注‘惊奇’的视频帧，优化学习效率。研究表明，该模型在三个挑战数据集上的表现与双流网络相当，而无需计算昂贵的光流技术。

    Apr, 2017

  • 学习增强的网络物理系统的因果修复

    本文针对具有学习能力组件的赛博物理系统（CPS）中的运行时属性违规进行因果诊断，构建了一个反事实版本的组件来修复确定存在的问题行为，最后通过在开放智能接口（OpenAI Gym）基准上对学习控制器进行了成功的修复。

    Apr, 2023

  • 基于反事実的动态系统根本原因分析

    通过使用残差神经网络对动态因果系统进行建模，并得出相应的反事实轨迹分布，我们解决了现有因果方法在确定根本原因时的问题，该方法对静态环境有限且注重导致故障的外部影响，而非结构影响。我们提出的方法在动态系统基准和真实世界河流数据集上具有有效性。

    Jun, 2024