causal structure | BriefGPT

关键词causal structure

搜索结果 - 60

ICML检测和识别连续数据中的选择结构
我们探讨基于潜在目标的数据点选择在实际情境中普遍存在，这一选择过程常常扭曲统计分析。然而，我们认为该选择不仅仅是一种偏差，而是提供了深入了解隐藏生成过程的机会。因此，我们研究了选择在顺序数据中的因果结构，并证明了其可识别性，同时提出了一种算
PDF5 days ago
基于蒙特卡洛规划的约束马尔可夫决策过程的随机控制
在随机控制的领域中，尤其是在经济学和工程学中，马尔可夫决策过程（MDPs）能够有效地建模各种随机决策过程，从资产管理到运输优化。本文定义了一个 MDP 框架，SD-MDP，通过解开 MDPs 的转移和奖励动态的因果结构，提供了时间因果图上的
PDF11 days ago
KDD学习灵活的时间窗格兰杰因果关系，整合异质干预时间序列数据
本研究基于异质干预时间序列数据，提出了一种理论上有根据的方法，用于推断 Granger 因果结构并识别未知目标。进一步揭示了学习 Granger 因果结构与恢复干预目标之间的相互促进关系，并在比较实验中证明了我们的方法在学习干预时间序列数据
PDF20 days ago
利用贝叶斯网络结构学习研究败血症潜在原因
通过结合临床专业知识与基于评分、基于约束和混合结构学习算法，该研究研究了可能受政策决策影响的败血症潜在原因的潜在因果结构，并发现慢阻肺、酒精依赖和糖尿病等风险因素的存在会增加患者患败血症的可能性，从而对政策具有潜在影响。通过评估模型在预测败
PDF21 days ago
使用张量秩条件学习离散潜在变量结构
通过对观察变量集 $X_p$ 的条件集的最小支持率进行张量秩条件探测，我们可以确定潜在变量的秩，并在某些结构假设下识别出潜在因果结构。
PDF23 days ago
AAAI使用路径分析和高阶累积量从 Poisson 分支结构因果模型中进行因果推断
发现因果结构是计算领域中处理各种科学和工业场景中的计数数据的关键任务之一，本研究提出了一种基于泊松分支结构因果模型和高阶累积量进行路径分析的实用算法，并通过实验验证了该方法的有效性。
PDF3 months ago
用于随机过程的因果推断中的签名核条件独立性检验
利用基于核函数的条件独立性测试以及基于约束的因果发现算法，本文致力于从随机动力系统中推断因果结构，证明在路径空间中，我们提出的条件独立性测试相较于现有方法表现优秀，并在允许循环的随机动力系统中，利用时间信息恢复出完整的有向图，通过实验证明我
PDF4 months ago
基于梯度下降的 Transformer 网络学习因果结构
通过梯度下降优化算法，变压器模型通过自注意机制在第一个注意力层中编码潜在的因果图，从而学习了因果结构。
PDF4 months ago
Rao-Blackwell 贝叶斯因果推断
贝叶斯因果推断结合基于序的 MCMC 结构学习和基于梯度的图学习技术，提出了一个有效的因果推断框架，可以推断变量的拓扑次序和父集，限制每个变量的父集数量，可以在多项式时间内精确计算边缘化。使用高斯过程对未知因果机制进行建模，引入 Rao-B
PDF4 months ago
基于时间数据的双重稳健结构识别
我们提出了一种新的双重鲁棒性方法来从时间数据中确定结构，该方法具有理论保证，可以在潜在原因存在循环和混淆的情况下渐近地恢复真实的因果结构，并通过大量实验证明了我们方法的卓越性能。
PDF8 months ago
学习带干预的线性高斯多树模型
本研究介绍了一种基于干预实验数据的一致且可扩展的本地方法，用于学习线性高斯多叉树的因果结构。该方法首先学习多叉树的骨架，然后定向其边缘，输出为代表真实潜在分布的多叉树的干预等价类的 CPDAG。我们使用二阶统计和低维边缘分布来实现骨架和定向
PDF8 months ago
预训练 Transformer 中自注意力的因果解释
我们提出了 Transformer 神经网络结构中自注意力的因果解释。我们将自注意力解释为一种机制，用于估计给定输入符号（标记）序列的结构方程模型。结构方程模型可以被解释为输入序列特定上下文下的输入符号的因果结构。与潜在混淆变量相比，该解释
PDF8 months ago
因果发现中的假设违规和评分匹配的鲁棒性
本研究对观测因果发现方法的实证表现进行了广泛的基准测试，发现基于分数匹配的方法在具有挑战性的情景中推断图的假阳性和假阴性率方面表现出令人惊讶的性能，并提供了理论洞察。该研究还首次尝试基于超参数值评估因果发现算法的稳定性。希望这篇论文能够为因
PDF8 months ago
模型导向的强化学习在 DAG 空间的树搜索中的应用于因果关系发现
通过树搜索的模型驱动增量式有向无环图建立，提出了一种基于因果关系的强化学习方法，并通过一个有效算法证明了排除引入循环边缘的正确性，实现了在有向无环图空间中更深层的离散搜索和抽样，为组合方法提供了有希望的进展。
PDF8 months ago
基于因果结构的文本 OOD 泛化的增强
通过使用反事实数据增强、基于数据的因果结构模拟对虚假特征的干预，以及采用大型语言模型来表示文本的条件概率，该论文介绍了一种改善文本分类器鲁棒性的方法，并通过在医疗叙述和半合成数据上进行广泛实验，证明了该方法对改善模型的预测能力具有积极效果。
PDF8 months ago
具有因果结构的优化问题中的最佳观测干预平衡
我们考虑在有限预算内优化一个昂贵的灰箱目标函数的问题，其中存在已知的设计变量间的因果结构的副信息。标准黑箱优化忽略了因果结构，往往导致低效和高成本。已有的少数考虑因果结构的方法是目光短浅的，并未充分考虑估计因果作用时出现的观测干预权衡。在本
PDF10 months ago
用于估计具有潜变量的因果结构的广义独立噪声条件
我们研究了在存在潜在变量的条件下学习因果结构的复杂任务，包括定位潜在变量和确定它们的数量，以及确定潜在和观察变量之间的因果关系。我们提出了一种用于线性非高斯非循环因果模型（包括潜在变量）的广义独立噪声（GIN）条件，该条件确定了某些测量变量
PDFa year ago
通过扰动神经网络推断有效连接性：基于合成脑电图数据的证据
通过扰动训练好的神经网络来推断有效连接性（effective connectivity），以揭示人工神经网络预测未来系统动态的潜在因果结构。
PDFa year ago
利用任务结构改善神经网络表示的可识别性
本论文通过考虑任务分布的影响，扩展了监督学习中可辨识性的理论。研究表明，即使在回归情况下，可辨识性也是可以实现的。当任务具有因果结构时，我们的方法可以通过最大边缘似然优化实现下游应用于因果表征学习，并且通过实验证实了我们的模型在恢复合成和真
PDFa year ago
基于非反事实扩充的稳健性方面情感分析
本文提出了一种使用嘈杂但代价效益高的数据增强模型来提高 NLP 模型在情感分析任务中的鲁棒性的方法，并通过实验证明这种方法对标准和鲁棒性特定的数据集都有显著的改进，同时在 ABSA 鲁棒性基准测试中创造了新的 state-of-the-ar
PDFa year ago