- 公平感知因果模型的适应速度分析
在机器翻译任务中,为了实现两种语言之间的双向翻译,常常使用源语料库作为目标语料库,这涉及到使用相反方向的两个模型进行训练。然而,不同因素会影响适应速度,包括原始分布和修改后分布之间的因果依赖关系。本文通过考察简单的结构性因果模型中的敏感变量 - ICML建立可信的解释:论因果合理化
这篇论文提出了一种从因果推断角度出发的合理化模型,利用新提出的合理化结构因果模型计算了一系列的因果概率,从而得到了高效的合理化结果,实验表明该方法在真实世界的评论和医疗数据集上的性能优于最先进的方法。
- 比较因果框架:潜在结果、结构模型、图形和抽象
本论文旨在准确明确 Rubin 因果模型(RCM)和结构因果模型(SCM)框架之间的关系,揭示 SCMs 框架中隐含的代数约束规则,指出 SCM 原则在经典应用中的重要作用。
- 曲率敏感模型的连续结果部分反事实识别
本文提出了一种新的敏感度模型 —— 曲率敏感度模型,与传统方法相比,该模型可以实现连续结果的部分反事实证明,并且可以通过对函数的级集进行曲率限制来获得信息,同时还提出了一种 Deep generative model 模型,并通过实验证明了 - KDD具有因果子结构的移位鲁棒分子关系学习
本文提出一种针对分子关系学习中分布变化的稳健模型 CMRL,该模型基于领域知识并构建了结构因果模型(SCM),引入一种新的条件干预框架,并成功地从因果子结构中学习,并减轻了与化学反应表面相关的快捷子结构的混杂效应。
- 胸部 X 射线图像分类:因果关系视角
本文用因果学方法构建了结构性因果模型 (SCM),利用反向门控调整选取肺部 X 光的有效视觉信息,去除混杂物对真实因果性学习的影响,实验结果表明,我们所提出的方法能够胜过开源 NIH ChestX-ray14 在分类性能方面。
- 因果单元选择的算法和复杂性结果
该研究提出了第一个精确算法,用于在给定广泛类的因果目标函数和完全指定的结构性因果模型下找到最优单元选择,同时提供了基于树宽度的复杂性边界,与最大后验概率推断的一个著名算法相关。
- Q-Cogni: 一种融合因果关系强化学习框架
Q-Cogni 是一种算法集成的因果强化学习框架,可通过自主因果关系发现方法重新设计 Q-Learning,从而在具有状态 / 动作空间的机器学习环境中实现最优学习和推理,并提高强化学习代理的决策可解释性。在应用 Q-Cogni 于车辆路径 - AAAICMVAE:用于无监督元学习的因果元 VAE
本文提出了一种基于结构因果模型的无监督元学习算法,通过对先验概率条件独立性的定义和介入进行隐变量消除,提出了 Causal Meta VAE 算法,能够成功消除训练数据中的上下文偏差,并在少样本图像分类任务中取得了优越的性能表现。
- 基于因果推理的马尔可夫决策过程时间推理
本文介绍了一种新的概率时序逻辑,用于验证马尔可夫决策过程,其中包含因果推理操作符,使我们能够表达干预和反事实查询。
- 回溯反事实
本文探索并规范了在 SCM 框架中的反事实推理的另一种模式 ——backtracking account,并在相关文献和可解释的人工智能领域进行讨论和连线。
- 学习潜在结构因果模型
本文提出了一种基于贝叶斯推理的方法,在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量,从而实现对潜在 SCM 的推断和图像生成。
- AAAI基于因果学的干预性知识蒸馏:解融法用于小样本目标检测
本研究介绍了一种基于结构因果模型的退门调整式知识蒸馏方法,称为 Disentangle and Remerge(D&R),可用于针对 few-shot 目标检测任务的条件因果干预。 实验结果表明,D&R 可以显著提高 few-shot 目标 - MM因果机器学习:调查和开放问题
本文介绍了因果机器学习(CausalML)方法,该方法将数据生成过程形式化为结构性因果模型(SCM),并从因果的角度探讨了干预和反事实的影响,同时将该方法归类为五类:因果监督学习,因果生成建模,因果解释,因果公平性和因果强化学习,并比较了每 - ICML元语义正则化的干预对比学习
本文提出了一种利用结构因果模型和干预对抗学习方法解决影响模型学习语义信息的背景干扰问题,可应用于各种现有对抗学习方法中,并在多个基准数据集上显著提高性能。
- ICLR通过常识提示进行神经符号程序规划
本文提出了一个名为 PLAN 的神经符号化程序规划器,通过依赖于常识信仰,从大型语言模型中获取程序式计划知识,并使用符号程序执行器对潜在程序式表示进行形式化的干预, 最终在非零样本的 WikiHow 和 RobotHow 数据集上展现出 P - AAAI面部动作单元识别的因果干预去除主体混淆
本文提出了一种因果推理框架,用于主体不变的面部动作单元(AU)识别,通过结构因果模型表达面部图像、主体、潜在 AU 语义关系和估计的 AU 出现概率之间的因果关系,采用插件因果干预模块(CIS)插入因果图,以消除干扰因素 Subject,实 - CVPR因果启发式表示学习用于领域泛化
本文提出了一种基于因果关系的结构性因果模型来解决域泛化问题,并基于此提出了一种 Causality Inspired Representation Learning (CIRL)算法,该算法通过计算需满足的三个基本属性来强制表示满足因果机制 - 使用因果感知生成网络生成公平的合成数据
本文提出了 DECAF:一种基于 GAN 的公平合成数据生成器,在表格数据中嵌入 DGP 作为输入层的结构因果模型,允许每个变量在其因果父节点的条件下重构,使得具有用户定义的公平性要求的偏差边可被策略性地移除。实验表明,DECAF 成功去除 - EMNLP蜜还是毒?通过因果干预解决少样本事件检测中的触发诅咒
本文通过结构因果模型对少样本事件检测中触发器过拟合问题进行探究,并提出在训练过程中通过背门调整对上下文进行干预以解决该问题,实验证明该方法显著提高了 ACE05、MAVEN 和 KBP17 数据集上的少样本事件检测。