关键词causal graphical model
搜索结果 - 7
- 学做中:带因果感知策略的在线因果强化学习框架
通过引入因果图模型来显式建模状态生成过程,并通过主动干预学习环境,优化衍生目标,提出了一种在探索阶段使用干预进行因果结构学习,然后在开发阶段使用学习到的因果结构进行策略指导的框架。实验结果表明,我们的方法在因果指导的策略学习和因果结构学习的 - 非参数局部解缠机制稀疏化:稀疏动作、干预和稀疏时序依赖关系
提出了一种称为 “机制稀疏正则化” 的解缠方法,通过同时学习潜在因素和解释它们的稀疏因果图模型来诱导解缠,展示了该方法的可行性和其所依赖的假设,并提出了基于变分自动编码器和稀疏约束的估计过程,并在多个合成数据集上进行了验证。
- 语法性别对分布语义的影响:因果视角
语义对于语言中的性别确定有多大影响是现代语言学和认知科学中一个研究热点领域。本研究提出了一个新的因果图模型,共同表示名词的语法性别、意义和形容词选择之间的相互作用。研究结果表明,虽然名词的性别会影响修饰它们的形容词,但在控制名词的意义后,语 - ICLR无需利用无环约束的高效神经因果关系发现
本文提出了一种新的有向无环因果图结构学习方法 ENCO,可以将因果图搜索表述为独立边似然的优化,并在不需要强制保持无环的情况下提供收敛保证。在实验中,作者展示 ENCO 可以高效地恢复拥有数百个节点的图,并处理确定性变量和潜在混淆因子。
- 通过机制稀疏正则化实现解缠:非线性 ICA 的新原则
通过机制稀疏正则化,本文引入了一种新颖的解缠结原则,提出了一种表示学习方法,通过同时学习潜在因素和将它们相关联的稀疏因果图模型,实现了解鉴别。通过在潜在因素上应用未知目标干预,清晰地揭示了 ICA 和因果的联系。我们通过展示在模拟中学到的解 - 通过混合预言学习潜在因果关系图
研究了在存在潜在变量的数据中重构因果图模型的问题,提出通过将其还原为混合预言机来确定潜在表示和潜在因果模型,从而揭示了混合模型顺序学习和可观测和不可观测之间的双分图结构学习问题之间的联系,并提供了几个重构完整图模型的算法。
- AAAI因果决策问题的指导原则
本文提出基于 Causal Graphical Model 的 Causal Decision Problem 的求解方法,并结合 Pearl 的 Do-Calculus 及 Expected Utility 原理,提出一种在线决策制定程序