- 因果关系文档引导对话预训练
通过构建具有因果关系的数据集和在预训练期间引入因果扰动的方法,我们在完全监督、低资源、少样本和零样本设置下,在三个基准数据集上实现了显著和一致的改进。
- CVPR因果解释器:自动视频摘要的因果解释
本文提出一种 Causal Explainer 模型,该模型采用多个有意义的随机变量和它们的联合分布来解释视频摘要问题中的关键组件,同时引入辅助分布加强模型训练,在视觉 - 文本输入场景下,采用因果语义抽取器从视觉和文本输入中提取相互信息, - CIMLA:可解释的 AI 用于推断差分因果网络
提出一种新的工具 ——CIMLA,用于发现条件相关的因果关系变化,通过对 CIMLA 在模拟数据集上的广泛基准测试,证明其在发现生物条件下分子调解网络中一些差异方面比大多数现有方法更加健壮且精准,并利用其对患老年痴呆症的单细胞 RNA 测序 - 用于推荐系统中偏好理解的因果分离变分自编码器
本文提出了一种新方法 - 因果分离变分自编码器(CaD-VAE),该方法可以从交互数据中学习因果分离表示,以改善推荐模型的鲁棒性、可解释性和可控性,结果表明此方法可以优于现有的方法
- 双高斯 DAG-probit 模型中的贝叶斯因果推论
该研究介绍了在观测数据下,考虑两组共性变量的二元响应变量建模,旨在构建两个有向无环图(DAGs),同时估计每个节点的影响因素,并采用 MCMC 方法从后验分布中取样估算 DAG 的骨架和模型参数。
- KGS: 使用知识引导的贪心等价搜索进行因果发现
本研究提出了一种利用知识约束来指导因果关系探索的新方法,该方法称为 KGS,通过使用观察数据和结构先验(因果边缘)对因果图进行约束学习,并在合成和基准真实世界数据集中广泛评估 KGS。实验结果表明,任何类型和数量的结构先验都有助于改善探索过 - 层次图神经网络用于因果发现和根因定位
该论文提出了一种名为 REASON 的框架,用于自动发现根本原因局部层次(即网络内部)和全局层次(即跨网络)的因果关系,通过建立一个基于图神经网络的因果网络来追踪系统错误的根本原因,并使用极值理论估计每个实体成为根本原因的概率。实验证明,该 - 基于因果关系的图神经网络 CTR 预测
本文通过引入因果关系,基于图神经网络框架提出一种面向在线广告的点击率预测模型(Causal-GNN),采用结构化特征表达学习方法(GraphFwFM)和 GraphSAGE 分别学习特征、用户和广告的图表示,并在三个公共数据集上的实验证明了 - 发展性阅读障碍中神经源 / 汇聚相位连接的通道因果关系研究
通过探究脑连接网络在发展性阅读障碍中的因果关系,我们提出并应用一种方法来计算通道的线性因果关系。在所有的情境中,我们都发现了确认已知的右侧 Theta 采样网络异常,并且这种异常主要出现在作为接收器的通道的因果关系中。
- 高维因果结构的深度学习
本文提出了一种深度神经体系结构,结合经验数据和先前的因果知识,从而学习变量之间的因果关系,并通过卷积和图神经网络在因果风险框架内提供了一种灵活和可扩展的方法,Empirical results include linear and nonl - 聊天接手的因果推断
建立多任务因果图,利用用户状态和逆向学习修正偏差,训练辅助成本模型计算无偏成本,提高机器 - 人聊天交接的性能。
- 因果制约的解耦表示学习在反事实公平中的应用
本文研究了公平表示学习的问题,通过使用结构表示,可以实现反事实公平性,提出了 Counterfactual Fairness Variational AutoEncoder(CF-VAE)方法,得到了优于基准公平方法的公平性和精度表现。
- NeurIPS 竞赛说明和指南:教育学习路径中的因果洞见
该研究使用时间序列数据解决了机器学习在教育信息领域中两个基本的因果挑战,即确定不同构建之间的因果关系和预测学习一个构建对回答其他构建问题的影响,从而实现对学生知识获取的优化。研究采用了合成数据的理想环境和一系列 A/B 测试中收集的评估数据 - 基于操作指导的因果表示学习及其降低监督强度的实现
本研究提出了一种利用 do-operation 的框架,通过交换一对输入中编码的潜在因果因素来实现,探索用相同因果机制生成的样本遵循相同因果关系的信息,同时提出了新的因果表示度量标准,实验结果表明该方法优于现有的最先进方法。
- AAAI概率树与单一干预价值
本文主要研究如何从有限的数据中确定因果关系 —— 通过将先前的因果结构与贝叶斯估计相结合,该文提出了概率树作为可能的解决方案。研究发现,单一干预的信息增益、干预前的预期信息增益以及干预后预期得到的信息增益都有简单的表达式。因此给出了一种主动 - BCD 网络:用于贝叶斯因果发现的可扩展变分方法
本文提出了 Bayesian Causal Discovery Nets (BCD Nets),它是一个用于估计线性 - Gaussian SEM 中描述一个 DAG 的概率分布的变分推理框架。本框架采用了连续松弛,适当的先验分布以及表达力 - ICML利用领域先验知识匹配神经网络的学习因果效应
本研究提出了一种正则化方法,通过领域知识中的先验知识来对齐神经网络的学习因果效应,包括直接和总因果效应,并在十二个基准数据集上进行实验和测试,表明该方法可实现神经网络模型的正则化,维护所需的因果效应而不牺牲准确性,而且在嘈杂的输入情况下还能 - ICML战略工具变量回归:从策略性反应中恢复因果关系
研究发现,当机器学习算法自动或参考作用于关于人的重大决策时,个体决策受到激励可通过策略性地修改自己的可观察属性以获得更有利的预测,导致预测所依赖的训练数据分布与实际使用的数据分布不同。但是,该文提出了一个新方法,通过观察部署模型的顺序可以将 - 格兰杰因果关系:回顾与最新进展
本文对 Granger 因果性的早期发展和辩论进行了回顾,并讨论了近期针对该概念局限性的各种改进,从高维时间序列模型到考虑非线性、非高斯观测的模型,以及允许子样本和混合频率时间序列的模型。
- CVPRGATSBI:生成式面向智能体的时空对象交互
GATSBI 是一种生成模型,可以将原始观测序列转换为结构化的潜在表示,充分捕捉智能体行动的时空上下文,使用无监督的物体中心场景表示学习来分离活动代理,静态背景和被动对象,建模反映分解实体之间因果关系的交互,并预测物理上合理的未来状态,优于