Jun, 2024

增强知识学习路径的可解释性：因果知识网络

PDF
TL;DR建立可靠的知识结构是构建有效的自适应学习系统和智能辅导系统的前提。在追求可解释和可信赖的知识结构的基础上，我们提出了一种构建因果关系知识网络的方法。该方法利用贝叶斯网络作为基础，并结合因果关系分析来推导因果网络。此外，我们介绍了一种基于该框架的可靠知识学习路径推荐技术，提升教学和学习质量，同时保持决策过程的透明度。
knowledge structureadaptive learning systemsintelligent tutoring systemsbayesian networkscausal relationship analysis
发现论文，激发创造
  • 动态请求知识的因果发现

    Causal Bayesian Networks 中的结构学习算法通过动态识别和请求不确定关系的知识，实现了较大的结构准确性提升，并提供更有效地利用人类专业知识的方法，促进结构学习过程的透明度。

    Oct, 2023

  • 将因果优先知识作为路径约束融入贝叶斯网络和最大祖先图

    本研究讨论将关于因果关系的先验知识纳入因果模型，并介绍了一些基于因果贝叶斯网络和最大祖宗图等模型的加入因果先验知识的方法和过程，通过模拟实验和案例研究发现，加入少量先验知识将导致大量新的推断结果。

    Jun, 2012

  • 使用介入和反事实推理解释因果知识图谱

    人类使用因果关系和假设的回顾来进行日常决策、计划和理解生活事件。AI 系统需要更丰富的因果关系表示来支持干预和反事实推理，以提高人类对 AI 系统的理解。Causal Knowledge Graph（CausalKG）框架利用最近的因果关系进展和 KG，提供了一种领域适应型的因果模型，用于表示 KG 中的复杂因果关系，并支持反事实推理和干预，从而实现了领域可解释性。

    Jan, 2022

  • 寻找可解释的 MOOC 推荐路径：学习者角度

    一个使用图形推理的可解释推荐系统应用于在线学习领域的研究。

    Dec, 2023

  • CALIME：基于因果关系的本地可解释模型无关解释

    本篇论文提出一种新颖的扩展方法，将因果关系显式编码进生成输入实例的数据以解释增加信任度和帮助用户评估解释质量的 XAI 方法，并通过实验表明该方法对于拟合黑匣子和解释稳定性均达到了比初始方法更优越的表现。

    Dec, 2022

  • 通过因果发现和领域知识融合提升神经网络性能

    我们提出了一种名为因果感知神经网络（CINN）的通用方法，用于将观测变量之间的层次化因果结构编码到神经网络中，从而提高其预测性能。通过将因果性结构化知识映射到神经网络的逐层设计中，CINN 通过连续优化问题将因果关系发现转化为定向无环图（DAG）学习来系统地从观测数据中发现因果关系，并通过专用架构和定制的损失函数将发现的层次化因果结构编码到神经网络中，实现了中间节点和叶节点的联合学习，显著提高了预测性能。

    Nov, 2023

  • 学习因果网络的贝叶斯方法

    本文研究了贝叶斯网络建模中的参数独立性、模块化特性、似然等价性等假设。同时介绍了机制独立性和组件独立性这两个新的假设，通过以上全部假设可以将学习无因果网络的方法应用到因果网络中。

    Feb, 2013

  • 知识获取和推断的因果独立性

    本文介绍了一种时间信念网络表示的因果独立，可以用来引导概率模型的知识工程师。该表示可以简化推理，而不需要使用不可观测的变量，适用于许多实际应用。

    Mar, 2013

  • 通过 NOTEARS 评估因果结构学习中的专家知识引导效果

    本研究考察了外界专家知识增强因果关系挖掘模型的影响，结果表明校准模型错误的知识可以显著提高挖掘效果，对于挖掘因果关系而言，对影响边的约束比对非影响边的约束对性能的提升更为显著。

    Jan, 2023

  • 高维因果结构的深度学习

    本文提出了一种深度神经体系结构，结合经验数据和先前的因果知识，从而学习变量之间的因果关系，并通过卷积和图神经网络在因果风险框架内提供了一种灵活和可扩展的方法，Empirical results include linear and nonlinear simulations (where the underlying causal structures are known and can be directly compared against)，特别的，在生物医学领域的实验验证结果表明，深度学习方法能够应用于学习包含数千个变量的大规模问题中的因果网络

    Dec, 2022