- 走向人类化感知:学习异构图中的结构因果模型
通过构建可理解的变量和包含高级因果发现技术的自动学习任务级因果关系,HG-SCM 可以模拟人类感知和决策过程。在实证数据集上与七种基线模型进行比较后,HG-SCM 取得了最高的平均性能排名和最小的标准差,充分证明了其在预测能力和推广性方面的 - 模拟到真实的因果转移:一种基于度量学习的因果感知交互表示方法
研究了多智能体问题中相邻智能体之间的空间 - 时间相互作用建模,从计算形式主义到实际应用深入探讨了这些模型对智能体相互作用背后因果关系的认知程度,提出了一种度量学习方法来规范潜在表征和因果注释,实验证明该方法提高了因果认知度并具有更强的分布 - 识别情绪之间的条件因果关系及其相应条件
确定是否在不同的上下文范围内表达出的情绪和原因具有有效的因果关系,并提取参与因果关系的特定上下文从而构建一个可用于平衡具有和没有因果关系的文档数量的最终数据集,通过提出上下文屏蔽模块来提取参与因果关系的上下文子句,并通过提出预测聚合模块根据 - 探索因果学习通过图神经网络:深度综述
图神经网络 (GNNs) 在因果学习中的应用和发展进行了全面的综述,包括分类和应用等方面,提供了与实际研究相关的数据集,同时探讨了因果学习在不同领域的应用,为机器学习这一快速发展领域的挑战和未来的研究方向提供了启示。
- 从一般环境中学习因果表示:可识别性和内在歧义
该论文研究因果关系表示学习,通过从我们观察到的低级数据中恢复高级潜在变量和它们之间的因果关系,假设可以访问从多个环境生成的观测结果。作者提出了一种可证明在无法使用硬干预的情况下所能达到的最佳可识别性概念,并针对线性因果模型和一般非参数因果模 - 稳定可微因果发现
通过引入新的约束条件和训练过程,我们提出了稳定可微分因果发现(SDCD)方法,以解决推断因果关系作为有向无环图(DAGs)的问题。SDCD 方法在收敛速度和准确性方面优于现有方法,并可扩展到数千个变量的情况。
- 基于观察型医疗数据的可迁移因果网络模型
基于人工智能技术的预测模型在医疗保健领域得到广泛应用。本文提出了一种新方法,将选择图、缺失图、因果发现和先前知识结合成一个图形模型,用于评估乳腺癌幸存者的青少年女性的心血管风险。该模型通过专家临床医生的验证,在风险评估、准确性和可解释性方面 - Castor: 因果时间制度结构学习
通过最大化得分函数,使用 EM 算法学习各种制度中的线性或非线性因果关系,我们引入了 CASTOR,这是一个专门设计用于学习异构时间序列数据中的因果关系的新框架。
- 商业流程中的 WHY:发现因果执行依赖关系
我们提出了一种系统的方法来揭示真实的业务过程的因果关系,通过利用现有的因果发现算法和活动时序,发现了现有的过程挖掘发现算法生成的模型与因果业务过程模型不一致的情况,并演示了如何在挖掘过程模型中注释这些不一致性的方法。
- 特定代理作用
本文介绍了一种系统的方法来将代理的行为的因果效果归因于其对其他代理的影响,通过引入代理特定效应(ASE)作为一种衡量代理行为对其他代理传播的结果影响的新型因果量。同时,我们提出了一种基于抽样的算法来估计 ASE 的反事实对应物(cf-ASE - 不要边缘化机制,而应巩固!
结构性因果模型 (SCMs) 是理解许多现实世界系统中的复杂因果关系的有力工具,我们介绍了整合因果机制的概念,以简化大规模 SCM 并保持一致的干预行为。
- 从时间序列数据中发现结构因果模型的混合物
从混合不同因果模型的时间序列数据中,利用证据下界最大化的方法进行因果发现,经过实验证明在探测来自不同因果图的数据时,该方法优于现有基准模型。
- 基因调控网络中的因果推断与 GFlowNet:向大型系统的可扩展性迈进
通过利用基因的独立性,Swift-DynGFN 框架提升了对基因调控网络(GRNs)中因果结构的学习能力,同时兼顾可扩展性,实验证明其在学习 GRNs 的因果结构和适应大型系统上的效果显著。
- ICCV基于因果关系驱动的磁共振成像前列腺癌分级的单次学习
本研究介绍了一种新颖的方法,通过学习和利用图像中的弱因果信号来自动分类医学图像。我们的框架由一个卷积神经网络主体和一个因果提取器模块组成,该模块提取特征图之间的因果关系,可以向模型提供关于图像中某个位置的特征出现的信息,当图像的另一个位置存 - 因果评分的医学图像解释:基于离体肾结石图像的案例研究
基于可解释方法,通过定量测量图像分类中目标区域特征与输出之间的因果关系,我们提出了一种称为 Causal Explanation Score (CaES) 的方法,并通过实验证明了使用可解释方法中的掩模来指示目标区域的效果优于使用人工标注者 - UPREVE:一个端到端因果发现基准系统
UPREVE 是一种用户友好的基于网络的图形用户界面,旨在简化因果推断过程,同时允许用户同时运行多个算法、可视化因果关系并评估所学因果图的准确性,以使因果发现更易于理解并获取有价值的洞见以支持更好的决策。
- ACLTREA:用于对话推荐的树状推理模式
对话式推荐系统中,我们提出了一种名为 TREA 的新型树形推理结构,用于构建多层次的可扩展树,以澄清提及实体之间的因果关系,并充分利用历史对话生成更合理和适合的推荐结果。我们在两个公共对话式推荐系统数据集上进行了广泛的实验,证明了我们方法的 - ICML利用语言模型作为不完美专家的因果推断
本文研究如何利用专家知识来改进因果图的数据驱动识别,通过考虑提出一些修正策略来利用因果图的一致性属性,例如无环性和条件独立性。最后,通过一个真实数据的案例分析,本文说明了一个大型语言模型可以被用作一个不完善的专家。
- 通过因果起源表示解决强化学习中的非稳态问题
本文提出了一种新的非稳态强化学习的方法,即使用 Causal-Origin REPresentation(COREP)算法,该算法主要利用引导更新机制来学习状态的稳定图表示,由此得到的策略对非稳态具有鲜明的适应性优势。
- ACLRFiD:用于开放领域问答的理性融合解码器
介绍一种用于 Open-Domain Question Answering 系统的 Rational Fusion-in-Decoder (RFiD) 模型,该模型利用 FiD 的编码器来区分因果关系和虚假特征,从而指导解码器生成基于此判断