- 因果推理与大型语言模型:为因果关系开辟新领域
本文探讨了大型语言模型(LLMs)的因果能力,证明它们在因果推理方面具有优越性能和独特的知识来源。同时,我们提供了技术来解释它们的鲁棒性,并认为 LLMs 可用作人类领域知识的代理以及降低因果分析中的人力成本。因此,LLMs 在推动因果研究 - 金融机构中受限高维度特征空间效应提升流失因果分析
研究提出了一个概念性框架,通过组合不同的算法来解决大规模高维金融数据中客户流失问题。研究评估了不同算法的性能表现,并确定了一些独立和混淆变量对客户流失的影响和可能原因。
- AAAI利用隐藏变量从不规则时间序列观测中估计治疗效果
本文介绍了一种基于 Lipschitz regularization 和神经控制微分方程(CDE)的方法,名为 LipCDE,用于解决时序数据的因果分析问题,该方法能够准确估算个体化的治疗效果和克服隐藏混淆变量导致的治疗估计偏差和高方差情况 - 自然语言处理在社交媒体上作为因果分析和认知挖掘工具来推测精神健康
聊天软件等社交媒体的人际互动对个人心理状况具有暗示作用,而计算智能技术、自然语言处理等方面的持续发展为探讨导致用户在线上状况的原因与心理效应提供了一种全新的视角和工具。本文旨在进一步探讨其中两大关键方向:寻找因果关系与推理发生在用户意识中影 - Salesforce CausalAI Library: 用于时间序列和表格数据因果分析的快速可扩展框架
介绍了销售动力因果 AI 库,它是一个开源库,用于使用观测数据进行因果分析。它支持表格和时间序列数据的因果发现和因果推断,包括处理变量之间线性和非线性因果关系的算法和生成合成数据的数据生成器,并提供了一个用户界面以方便用户进行因果分析。
- 选择偏差下的边界反事实
本研究提出一种算法来解决因果分析中的选择偏差,并证明了尽管存在选择偏差,可用数据的似然函数是单峰的。该算法可以用于解决可识别和不可识别查询,并通过因果期望最大化方案计算可识别情况下的因果查询值,否则计算上下界。实验表明该方法是实际可行的,并 - 因果公平性分析
本文提出了一个因果公平性分析的框架,以理解、建模和可能解决决策设置中的公平问题。研究挑战是挖掘潜在的因果机制并将各种公平度量与结构机制和人口单位归因。最后,提出了一个公平的菜谱,以评估不公平对各个人群的影响。
- 社交媒体帖子中心理健康问题因果分析的注释语料库(CAMS)
通过社交媒体的分析,研究社区已经在检测心理健康问题及其相关原因方面取得了显著的增长。本研究引入了一份新的数据集用于社交媒体帖子中心理健康问题的因果分析,提出了一个任务的因果分析注释方案,并通过不同的数据集进行了实验。最后,通过 CAMs 数 - 更多的数据是你所需要的一切吗?一个因果探索
本文探讨了应用因果分析作为资源优化工具来开发医学成像机器学习应用的潜力。通过对合成数据集和糖尿病视网膜病变图像分析的实例研究,研究了数据集干预对图像分类模型输出的影响,以及需要在数据集中加入的数据量和类型以实现特定子任务的更好性能。
- AAAI计算与取样马尔可夫等价有向无环图的多项式时间算法及其应用
本文提出了一种能够在多项式时间内计数和抽样来自马尔可夫等价类的有向无环图的算法,解决了该领域长期存在的一个问题。通过实验实现,该算法应用价值高,使因果结构和因果效应识别的主动学习策略变得实用。
- 应用于市场预测的通用时间序列数据的因果分析
本文探究了基于时间延迟的因果分析和皮尔逊相关性在金融市场预测中的应用。作者提出了一种适用于金融市场的时间序列数据的实用方法,并使用不同类型的金融和社交媒体数据进行了实验测试。结果显示该方法可以判别不同实时市场数据之间的因果关系,同时讨论了目 - 图神经网络中的去混淆技术对解释性评估的影响
本文研究图神经网络的可解释性,并提出了一种去除偏倚、准确评估网络预测结果的方法。
- 推荐系统因果学习的机会:基础、估计、预测和挑战
本文提供了一个正式的因果分析框架,主要用于调查和统一现有的基于因果思想的推荐方法,并从违反因果分析中采用的假设的角度,提供了推荐系统中各种偏差的正式因果定义以及在 RS 中的很多去偏见和预测任务的正式化分析,希望为因果 RS 社区提供新的研 - 学习不变领域表示以实现可推广的人员复识别
本文提出一种基于因果分析的结构模型,利用该模型构建了一个新颖的领域不变表示学习框架,包括对身份特征和领域特征空间的分离,以及算法实现和实验验证。结果表明,该框架在大型领域泛化 ReID 基准测试中优于现有方法。
- 因果学习:可解释机器学习的新视角
本文概述了因果分析的基本背景和关键概念,总结了最近的可解释机器学习的因果方法,讨论了评估方法质量和因果可解释性中的开放问题。
- 通过非均匀嵌入检测多元时间序列中的因果关系
本研究提出了一种名为 LM-PMIME 的新的基于信息理论的非均匀嵌入方法,旨在探测多元时间序列的因果关系,该方法集成了条件互信息的低维近似和混合搜索策略来构建混合嵌入向量,通过对线性随机、非线性随机和混沌系统的模拟试验,证明了该方法在传统 - AAAI可配置系统性能建模的迁移学习:因果分析
通过因果分析,本文章调查了高度可配置系统中因果效应和统计关系的可识别性和可传移性,并证实了因果效应可以高度可信度地在不同环境中传递。
- NIPS使用基于核的条件依赖度量对马可夫毯子进行排名
为了解决科学研究中纯关联分析的局限性而发展的特征选择算法,提出了一种基于核的条件相关度量的向后淘汰方法,并且在合成与实际数据集上比起其他方法表现更为优秀。