因果认知的解耦表示

Jun, 2024

Disentangled Representations for Causal Cognition

Filippo Torresan, Manuel Baltieri

TL;DR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。

Abstract

complex adaptive agents consistently achieve their goals by solving problems that seem to require an understanding of causal information, information pertaining to the causal relationships that exist among elements of combined agent-environment systems. →

complex adaptive agents causal cognition causal learning causal reasoning causal reinforcement learning

发现论文，激发创造

因果透镜下的可解释强化学习

本文使用因果关系模型来推导强化学习器的行为的因果解释，并通过对一项实验的研究结果表明，基于因果模型的解释在任务预测、解释满意度和信任方面表现更好。

May, 2019

元强化学习推理因果关系

研究通过元强化学习是否可以发现因果推理，在这项研究中，我们训练了一个递归神经网络对包含因果结构的一系列问题进行无模型强化学习，证明了该代理可以在新的情况下进行因果推理，从观测数据中得出因果推断结果以及进行反事实预测，我们提出这种学习方法也可以在复杂的推理场景中进行因果推理，同时该工作还提供了新的强化学习结构探索策略。

Jan, 2019

深度因果学习：表示、发现和推断

本文综合评述了深度学习在因果学习中的贡献，解决了传统因果学习方法中的许多问题，并指出深度因果学习在因果科学的理论拓展和应用扩展中的重要性，并成为通用人工智能中不可或缺的一部分。

Nov, 2022

因果好奇：强化学习智能体发现自我监督实验用于因果表征学习

本文提出了一种名为 causal curiosity 的新的内在奖励方法，通过将其融入强化学习代理中，使代理能够通过自己生成的实验数据，以更少的数据量进行自我监督学习，发现环境中的因果关系，并能够将其应用于更复杂的任务之中。

Oct, 2020

因果推理遇见视觉表征学习：一项前瞻性研究

本文综述了现有的因果推理方法在视觉表征学习中的应用，探讨了当前方法和数据集的限制，并提出了因果推理算法基准的前景挑战、机会和未来研究方向，以更有效地实现可靠的视觉表征学习及相关应用。

Apr, 2022

因果分离表示

通过因果视角下关联因素的不懈探索，我们提出了两个衡量因果解缠的新指标及数据集，并在最新的表述学习器中进行了实证研究。

Dec, 2021

因果世界模型的内在激励学习

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

表示学习的期望：因果关系的视角

本文从因果学的角度对表示学习进行了研究，用反事实量和因果断言的可观测后果量化了非平凡性和效率（在监督表示学习中）以及解缠（在无监督表示学习中），生成了可计算的度量标准，用于评估表示的满足的感兴趣的条件程度，并从单个观测数据集中学习到非平凡和解缠的表示。

Sep, 2021

智能问题解决作为集成的分层强化学习

通过综述认知心理学的文献，探讨分解抽象和预测处理等认知机制对分层机器学习的影响，并提出集成这些认知机制的方案来提升人工智能问题解决能力。

Aug, 2022

走向因果表示学习

论文回顾了因果推断的基本概念，并将其与机器学习的关键问题联系起来，提出了因果表示学习的核心问题，并提出了机器学习和因果学研究领域的关键研究方向。

Feb, 2021