- 关于向量自回归模型中的反事实干预
我们介绍了向量自回归(VAR)过程中反事实推理的问题,并将因果模型的推断形式化为联合回归任务,使用有和无干预的数据来进行推断。在学习模型之后,我们利用 VAR 模型的线性性质对反事实干预的效果进行精确预测,同时量化了过去反事实干预的总因果效 - 学习潜在层次模型中的离散概念
从高维数据(例如图像)中学习概念对于构建与人工智能模型相符且可解释的机器学习模型具有潜力。本研究通过将概念形式化为离散潜在因果变量,并使用嵌入在高维数据中的概念的层次因果模型来提供理论洞见与条件,以促进从无监督数据中学习这些概念的可行性。通 - 多重稳健的因果变化归因
比较两个数据样本,我们观察到一个结果变量分布的变化。在存在多个解释变量的情况下,我们开发了一种新的估计策略,结合回归和重新加权方法来量化每个因果机制的贡献。我们的提出方法是多重健壮的,意味着在部分错误规范化下仍能恢复目标参数。我们证明了我们 - 通过因果调整实现跨域情感分析的领域泛化
本文研究领域适应在跨领域情感分析中的应用,提出基于背景调整的因果模型来解决领域转移问题,并在多个数据集上与现有方法进行了比较。
- 通过观测变量分组使因果表示学习具备可辨识性
Causal Representation Learning (CRL) is an ill-posed problem combining representation learning and causal discovery, and - 从观测数据中学习反事实公平性
本文提出了一种新的框架 CLAIRE,通过对反事实数据增广和不变化惩罚的表征学习框架有效地减轻了敏感属性的偏差,并在合成和真实数据集上的实验验证了 CLAIRE 在反事实公平性和预测性能方面的优越性。
- 个性化系统中用户学习的因果估计
本研究提出了一种非参数因果模型来研究个性化系统中的用户行为,并介绍了新的实验设计,可以通过干预系统个性化来区分用户学习效应和个性化效果。模拟结果表明,所提出的新设计可以成功恢复感兴趣的动态因果效应。
- 将因果推断重新解释为预测未观测的联合统计量的任务
通过因果推断方法可以推断未被观察到的联合分布的性质,进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景,并且通过推导因果模型的 VC 维,得出了预测的泛化界限。
- 对话中的话语级情感推理:因果发现方法
本文提出了一种名为 CACD 的新型因果推断方法,旨在通过设计一个公共的骨架和生成替代的隐含因素来推导对话中的因果关系,该方法在情感相关领域的六个数据集上展示出比 SOTA 基准更好的性能表现。
- 利用不完美因果结构模型实现反事实公正
本研究提出一种新的极小极大博弈论模型,可以在不强制使用结构因果模型的情况下,实现准确的结果和实现反事实公正的决策,以此减轻模型预测与实际世界(观测数据)以及反事实世界(即如果个体属于其他敏感群体)中的歧视,并且我们还在多个实际数据集上进行实 - 部分有向图模型方向性的实用算法
本文主要关注于观察研究中因果模型的最大方向性任务,旨在最大化定向无向边,以便表示相同的 Markov 等效 DAGs。作者提出了两种新的方法来扩展 PDAG,旨在简单和实用,从而更快地计算最大定向。
- 因果升维与链接预测
本文介绍了第一个能处理路径依赖的因果模型,它引入了因果提升的概念,并且证明了基于结构对的节点对称联合表征方法,具有更低的偏差和更好的因果结构表示能力。
- 因果自我对话的可解释性
通过训练 AI 系统构建自身的因果模型,我们提出 Causal Self-Talk 方法,作用于 Deep RL agents,并在模拟 3D 环境中实现,使得这些 agents 能够生成准确的和有意义的行为解释,从而提供了构建语义控制接口 - EMNLP自然语言中的所有虚假特征是否相似?通过因果透镜进行分析
本文区分了 NLP 中的 “虚假相关” 中的两种情况(特征对标签的影响是否取决于上下文),并使用因果模型和必要性和充分性概率对其进行了更细致的处理,说明了现有去偏差方法的结果,并揭示了去偏差后模型表示中虚假特征的编码。
- 弱监督因果表示学习
本文基于一组弱监督条件,通过隐式潜因果模型的方式,为无标签不完整数据集中的图像等数据探究了因果结构和因果变量的识别方法。
- CausalSim: 一种用于无偏追踪驱动模拟的因果推断框架
CausalSim 是一个建立在因果推断框架之上的模拟器,其使用一个基于张量补全问题的方法去消除由于算法选择导致的偏差,实验表明使用 CausalSim 进行模拟的结果比专家设计和监督学习的基准结果平均下降了 53% 至 61%。
- 反事实时点过程
本文提出了一种基于因果模型的稀疏化时间点过程模型,利用超定理和因果单调性提出了一种新的算法,生成了给定时间点下的反事实情形,并在合成和实际流行病数据的模拟实验中取得了有效结果。
- IJCAI使用干预学习自主代理端因果模型
本篇论文介绍了一种基于 agent assessment module 的 AI 系统执行高级指令序列并回答用户问题的方法,通过不同类别的查询来比较这种方法的计算要求和正确模型的学习所需的努力,并介绍了动态因果决策网络来捕捉 STRIPS- - ICML无需考虑大小的图表示方法,用于图分类和推断
该研究探讨使用因果模型学习具有近似不变性的表示方法,并展示了这种方法对于培训 / 测试分布转移具有对抗性的图形分类中的好处。
- 高斯过程的多任务因果学习
该论文研究了在有向无环图(DAG)上定义的一组干预函数的相关结构的学习问题,提出了一种多任务因果高斯过程(GP)模型,称为 DAG-GP,该模型捕捉了不同维度输入空间中的函数之间的相关性,并在实验中测试了其预测质量和校准不确定性。