提出了一种探测未知形式交互作用效应的非参数概率方法,首先用贝叶斯神经网络模拟特征和输出之间的关系,使用Bayesian Group Expected Hessian方法评估交互作用效应和不确定性,最后演示了该方法探测深层神经网络的高阶特征的能力。
Jan, 2019
本文介绍了一种新的基于高斯过程的贝叶斯方法,能够通过使用O(p)内核超参数来捕获后验概率,从而实现运行时间和内存直接线性相关,并且通过实验表明其在各种协变量行为的数据集上相对于现有贝叶斯和 LASSO 方法具有更好的计算缩放和错误率。
May, 2019
为解决特征交互作用估计中存在的可辨认性问题,文章提出了纯交互作用的定义,通过提出一种快速、准确的算法,将任何分段常数函数转换为纯粹的、标准化的表示法,结果表明这种算法可以应用到基于多个数据集进行交互式广义可加模型训练的各个领域。
Nov, 2019
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
研究多元复杂系统的建模,利用局部结构检测与变量的成对相关性推断数据的维度和像素排列,辅助现代基于注意力机制的机器学习方法的成功实现。
May, 2023
本文提出一种针对分子关系学习中分布变化的稳健模型CMRL,该模型基于领域知识并构建了结构因果模型(SCM),引入一种新的条件干预框架,并成功地从因果子结构中学习,并减轻了与化学反应表面相关的快捷子结构的混杂效应。
本研究提出了一种$d$阶交互作用度量的层次结构,定义了非参数的基于核的检验方法来系统地确定$d$阶交互作用的统计显著性,并与格理论建立数学联系,以提高计算效率。研究结果在合成数据验证和神经影像数据应用中得到了论证。
Jun, 2023
生成模型,干预,稀疏加性机制迁移变分自动编码器,扰动模型,面向机器学习驱动的科学发现的利器。
Nov, 2023
根据真实的基因扰动数据,我们展示了CausalRegNet生成准确的分布并且在规模上比当前的仿真框架更好,在生物学的干预性实验背景下利用CausalRegNet评估了因果结构学习方法。
Jul, 2024
本研究解决了因果发现领域中基于监督学习方法可能导致的误导性结果问题,提出了一种无监督的二变量因果发现方法。通过使用稳健的互信息度量,考虑了不同变量类型的影响,提供了一组标准的无偏结果,以指导未来在完全未知环境下的因果发现任务。
Aug, 2024