- 基于稀疏联合结构对时间序列进行领域自适应
提出一种新颖的稀疏联想结构对齐模型,用于域自适应任务中序列数据的域不变表示提取。在考虑时间滞后的同时,设计了基于变量内部和变量间的稀疏注意力机制,利用稳定的因果性和生成的区间集来发现稀疏联想结构。通过在三个真实世界的数据集上的实验,验证了我 - 利用信息理论研究深度神经网络的因果结构
本文提出了一种度量深度神经网络在训练过程中因果结构的度量方法,即有效信息(EI),用于评估每个层的因果影响节点和边缘在其下游目标上的度量。通过分解 EI 以检查每个层的敏感性、退化性和整合信息量,可以在 “因果平面” 上可视化每个层次的连接 - CausalWorld:因果结构和迁移学习的机器人操纵基准
该研究提出 CausalWorld,考虑了因果结构和迁移学习的机器人操作环境的基准。提供了具有共同因果结构和潜在因素的组合任务,这些任务可以用于训练和评估,以实现在不同任务分布之间的相似性,并具有迁移到真实世界的可能性。
- 探究存在未观测混杂因素和非高斯数据的因果发现
从多元观测数据中恢复因果关系结构,方法基于线性结构方程模型,可有效处理潜在混淆,并可通过无弓有向无环路径图恢复精确的因果结构。
- 通过反事实例和梯度监督学习区分重要因素
使用对照例子作为监督信号,改进深度学习的训练方法,提高神经网络的泛化能力及性能。
- CausalVAE: 变分自编码器中的结构因果解缠
本文提出了一种基于因果结构的 VAE 算法 CausalVAE,使用因果层将独立外生因素转化为内生因果因素,实现了因果因素的自动发掘和可解释性,实验结果表明 CausalVAE 提出的因果表示能够在多个数据集上实现对真实因果结构的恢复,同时 - 基于掩码梯度的因果结构学习
本文研究了从观测数据中学习因果结构的问题,提出了一种基于结构方程模型的因果结构学习方法,并通过实验验证了其良好性能。
- 非对称 Shapley 值:将因果知识纳入模型无关可解释性
通过介绍 Asymmetric Shapley values (ASVs) 这种较少限制的框架,本文提出了这种框架可以改善模型解释、为模型预测中的不公平歧视提供测试、在时序模型中支持逐步增量解释以及支持特征选择研究而无需进行模型重新训练。
- 关于等方差假设的因果推断
从方程模型中求解方差的顺序推断因果结构,实现高维因果结构学习的简单又先进的方法。
- 未知环境下的稳定预测
本文提出了一种新型的 Deep Global Balancing Regression(DGBR)算法,该算法可以同时优化深度自编码模型和全局平衡模型,以实现特征选择和稳定预测。通过实证实验,该算法表现出比现有最先进的方法更好的表现。
- 非线性模型的不变因果预测
本文介绍了一种新的学习因果模型的方法,称为不变因果预测,该方法绕过了因果关系的多个环境,并针对非线性模型的情况提出了可行的解决方案,在基于世界人口预测的生育率建模中,使用非线性 ICP 模型来预测假设性干预的效果并确认了儿童死亡率的中心因果 - 地图胜于领土
通过信息学理论,本文探讨了一些系统的因果结构在宏观尺度上更具信息量,特定的因果模型能够更好地利用系统特定的因果能力。最终导致这些系统的因果结构无法被微观模型完全捕获。
- 多元 Hawkes 过程学习网络:一种时间序列方法
本文研究了多个时间序列数据的影响结构的问题,通过对多元线性 Hawkes 过程的网络还原因果结构,并提出了算法来学习支持兴奋矩阵,最终在合成的多元 Hawkes 网络,股票市场和 MemeTracker 的真实数据集上进行了评估。
- 将图嵌入罗伦兹时空
该研究提供了一种将有向无环图嵌入到闵可夫斯基时空中的方法,使用了多维标度(MDS)技术进行几何分析,并探讨了在引用网络分析中的应用, 如论文推荐和识别缺失引用。
- 非定态因果模型的发现和可视化
本文提出了一个有原则的框架来处理非平稳数据,并开发了一些方法来处理三个重要问题:检测局部机制不平稳的变量以及恢复观测变量之间的因果结构,通过利用变化分布所携带的信息确定某些因果方向,以及开发可视化因果模块的非平稳方法。作者通过各种合成和真实 - 在 $k$- 三角信仰假设下的因果效应均匀一致估计器
提出了一种在 Causal Markov 假设和较弱的 k-Triangle-Faithfulness 假设下,能够一致估计线性高斯因果结构的 Markov 等价类和可识别结构系数的估计器。
- 量子因果结构的信息论推论
本文描述了一种计算给定交互模式下可出现的信息理论约束的通用算法,并将其应用于两个相关案例:第一个案例中,我们证明信息因果原则在我们的框架中自然出现且得到推广和强化;第二个案例中,我们导出了在网络架构中可能出现的相关性的限制。
- 引文网络的传递闭包简化
本文介绍了一种分析有向无环图的方法,该方法考虑了因果关系的限制并突出了因果结构,在论文、专利和美国最高法院裁决中形成引文网络。我们表明如何使用传递性缩减来显示不同领域引用实践的基本区别,以及如何高亮特别有趣的作品,以及它如何纠正文档年龄对其 - CAM: 因果加性模型,高维序列搜索和罚函数回归
本研究提出了一种可以用于高维附加结构方程模型的估计方法,并建立了估计量的一致性,同时还开发了一种计算算法来处理许多变量,并通过模拟和实际数据验证方法的准确性和性能。
- 关于后非线性因果模型的可识别性
本研究通过系统研究二元情况下的可辨识性,证明了 PNL 因果模型在大多数情况下是可辨识的,同时为其可辨识性提供了充分条件。在多于两个变量的情况下,我们通过将 PNL 因果模型应用于 Markov 等价类中的每个结构,并测试干扰是否独立于直接