Causal Modeling of Soil Processes for Improved Generalization
University of Minnesota Twin Cities(明尼苏达大学双城分校);Microsoft Research(微软研究院);Rothamsted Research(洛桑研究所);University of Glasgow(格拉斯哥大学)
测量和监测土壤有机碳对于农业生产力和解决关键环境问题至关重要。土壤有机碳不仅丰富了土壤中的营养,而且还具有一系列的共同利益,如改善水储存和限制物理侵蚀。尽管在土壤有机碳估算方面做了大量工作,但目前的方法在土壤条件和管理实践中并没有很好地推广。我们的经验表明,明确的土壤过程之间的因果关系建模提高了预测模型的分布泛化能力。我们提供了一个比较分析的土壤有机碳估计模型,其中的骨架估计使用因果发现方法。我们的框架提供了81%的测试均方误差和52%的测试平均绝对误差的平均改善。
2022-11-10 cs.CY cs.LG
Uncertainty-Guided Expert-AI Collaboration for Efficient Soil Horizon Annotation
Einstein Center Digital Future Berlin Germany;Einstein Center Digital Future
本文将保形预测应用于多模态多任务土壤剖面模型SoilNet,构建高不确定性下的有限预算专家人在回路标注流程,提升回归标注效率并保持分类性能。
2025-09-29 cs.AI cs.LG
Biogeochemistry-Informed Neural Network (BINN) for Improving Accuracy of Model Prediction and Scientific Understanding of Soil Organic Carbon
Soil and Crop Sciences Section, School of Integrative Plant Science, Cornell University(康奈尔大学综合植物科学学院土壤与作物科学系);Department of Computer Science, Cornell University(康奈尔大学计算机科学系);Department of Ecology and Evolutionary Biology, Cornell University(康奈尔大学生态与进化生物学系);Department of Informatics and Intelligent Systems, Institute of Energy and the Environment, The Pennsylvania State University(宾夕法尼亚州立大学能源与环境研究所信息学与智能系统系);Department of Systems Engineering, Cornell University(康奈尔大学系统工程系)
本文提出BINN,结合过程性土壤碳循环模型与神经网络,通过大规模数据提高对土壤有机碳存储机制的理解,并展示其在预测土壤碳循环过程中的高效性与准确性。
2026-03-26 cs.AI physics.geo-ph
Knowledge-guided machine learning for county-level corn yield prediction under drought
NASA(美国国家航空航天局)
针对传统作物产量模型难整合遥感数据、机器学习模型可解释性差且未充分考虑土壤水分作用的问题,提出嵌入土壤水分中间变量与干旱感知损失的KGML-SM框架,性能优于传统模型并提供误差可解释性。
2025-10-01 cs.AI cs.LG
Towards Knowledge Guided Pretraining Approaches for Multimodal Foundation Models: Applications in Remote Sensing
University of Minnesota(明尼苏达大学)
本文提出KG-VSF方法,通过条件生成任务建模预测,提升遥感任务中因果关系的建模能力,提升下游任务性能。
2026-03-27 cs.CV cs.LG
Causal discovery with endogenous context variables
German Aerospace Center (DLR)(德国航空航天中心 (DLR));Technische Universität Berlin(柏林工业大学);Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden / Leipzig(德累斯顿/莱比锡可扩展数据分析与人工智能中心 (ScaDS.AI));Technische Universität Dresden(德累斯顿工业大学)
本文针对内生上下文变量导致的因果机制变化,提出自适应约束的因果发现算法,证明其可靠性,并通过实验验证性能优于基线,同时指出局限性。
2024-12-06 cs.LG math.ST stat.TH
Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis
CaDyT通过理论分数分析方法,改进动态系统因果结构学习,优于现有方法,适用于规则和非规则采样数据。
2025-12-16 cs.AI cs.LG math.DS
Unifying Causal Representation Learning with the Invariance Principle
Institute of Science and Technology Austria(奥地利科学技术研究所)
本文指出许多因果表示学习方法实质上是通过与数据内在对称性对齐的不变性原理来识别因果变量,据此提出一种可混合搭配不同假设的统一方法,并在真实高维生态数据上提升了处理效应估计效果。
2025-03-05 cs.LG stat.ML
Spatial Distribution-Shift Aware Knowledge-Guided Machine Learning
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
针对传统模型难以利用空间异质性预测土地排放的问题,提出空间分布偏移感知的知识引导机器学习(SDSA-KGML),采用位置相关参数,在中西部区域实现更高局部精度。
2025-04-23 cs.LG
Field-scale soil moisture estimated from Sentinel-1 SAR data using a knowledge-guided deep learning approach
The University of Sydney(悉尼大学);CSIRO Agriculture and Food(澳大利亚联邦科学与工业研究组织农业与食品部门)
针对主动微波土壤水分估算中WCM经验部分性能受限的问题,提出将WCM原理融入LSTM的知识引导深度学习方法,结合双分量损失函数,基于Sentinel-1 SAR数据估算田块土壤水分,经四折交叉验证有效降低反演不确定性。
2025-05-01 cs.LG eess.IV
CausalGDP: Causality-Guided Diffusion Policies for Reinforcement Learning
Department of Mechanical & Industrial Engineering, Northeastern University, Boston, MA, USA(机械与工业工程系,东北大学,波士顿,马萨诸塞州,美国);Department of Civil and Environmental Engineering, Northeastern University, Boston, MA, USA(土木与环境工程系,东北大学,波士顿,马萨诸塞州,美国)
CausalGDP通过整合因果推理,提升基于扩散的强化学习策略在复杂高维控制任务中的性能。
2026-02-09 cs.AI cs.LG
Causal Knowledge Guided Societal Event Forecasting
Stevens Institute of Technology(史蒂文斯理工学院);George Mason University(乔治梅森大学)
数据驱动的社会事件预测方法利用相关历史信息来预测未来事件。这些方法依赖于历史标记数据,当数据有限或质量差时,无法准确预测事件。研究事件之间的因果效应超越了相关性分析,可以有助于更可靠地预测事件。然而,由于以下几个因素,将因果关系分析纳入数据驱动的事件预测具有挑战性:(i)事件发生在复杂和动态的社会环境中。许多未观察到的变量,即,隐藏的混杂因素,影响潜在的原因和结果。(ii)给定时空非独立同分布(非IID)数据,为精确的因果效应估计建模隐藏的混杂因素并不简单。在这项工作中,我们引入了一个深度学习框架,将因果效应估计集成到事件预测中。本文首先研究了具有时空属性的观测事件数据的个体治疗效应(ITE)估计问题,提出了一种新的因果推理模型来估计ITE。然后,我们将学习到的事件相关的因果信息作为先验知识纳入事件预测。两个强大的学习模块,包括一个功能重新加权模块和近似约束损失,引入先验知识注入。我们在真实世界的事件数据集上评估了所提出的因果推理模型,并通过将学习到的因果信息馈送到不同的深度学习方法中来验证所提出的鲁棒学习模块在事件预测中的有效性。实验结果表明,建议的因果推理模型ITE估计在社会事件的优势,并展示了强大的学习模块在社会事件预测的有益特性。
2021-12-10 cs.AI cs.LG
Dynamic Expert-Guided Model Averaging for Causal Discovery
Ghent University - imec(根特大学 - imec)
本文提出一种动态专家指导的模型平均方法,整合选择性专家查询以集成多种因果发现算法,区分边存在与方向,提升数据驱动与专家输入的互补优势。
2026-05-07 cs.AI cs.LG
Knowledge-Guided Time-Varying Causal Inference for Arctic Sea Ice Dynamics
University of Maryland, Baltimore County(马里兰大学巴尔的摩分校)
本文提出KGCM-VAE模型,通过物理关系生成时变连续处理,结合MMD平衡潜在空间分布,提升SSH对海冰厚度的影响估计,实验证明其在预测海冰厚度响应和物理参数敏感性分析中的优越性。
2026-07-24 cs.AI cs.LG
CAFE: Causally-Guided Automated Feature Engineering with Multi-Agent Reinforcement Learning
CAFE通过因果引导的多智能体强化学习提升自动化特征工程的鲁棒性和效率。
2026-10-27 cs.AI cs.LG cs.MA
Causal Fairness-Guided Dataset Reweighting using Neural Networks
SCHUFA Holding AG(舒法控股公司);University of Pisa(比萨大学);Technical University of Munich(慕尼黑工业大学)
本文提出一种基于两个神经网络结构反映因果图与干预图的数据集重加权方法,通过判别器引导实现因果公平性,并在真实数据上验证其有效性与数据保真度。
2023-11-17 cs.LG
Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting
The University of Melbourne(墨尔本大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学);Peking University(北京大学);Adelaide University(阿德莱德大学);Hong Kong Baptist University(香港浸会大学);The University of Sydney(悉尼大学);Carnegie Mellon University(卡内基梅隆大学)
提出因果集成智能体(CEA)框架,通过线性意见池聚合不同层次的统计因果发现结果,并利用大语言模型(LLM)作为元裁判在决策边界附近动态重加权专家,从而构建更准确完整的因果图。
2026-06-09 cs.AI cs.CL cs.LG
Uncovering Bias Paths with LLM-guided Causal Discovery: An Active Learning and Dynamic Scoring Approach
本文提出一种结合LLM引导的主动学习和动态评分方法,用于在存在噪声和混杂因素时发现公平性相关的因果路径。
2026-01-07 cs.AI cs.LG stat.ML
Causally-guided Regularization of Graph Attention Improves Generalizability
MIT(麻省理工学院);Twitter Cortex(推特Cortex);Twitter(推特)
图注意力网络估计节点邻居的关系重要性,以聚合局部邻域的相关信息用于预测任务。然而,推断的注意力容易受到训练数据中的虚假相关性和连通性的影响,从而阻碍了模型的推广。我们介绍CAR,这是一个用于图注意力网络的通用正则化框架。CAR体现了一种因果推理方法,以可扩展的方式将注意力机制与主动干预对图连接性的因果影响对齐。CAR与各种图形注意力架构兼容,我们表明它系统地提高了各种节点分类任务的泛化能力。我们的消融研究表明,CAR在与预测最相关的图结构方面进行了磨练(例如,同质性),并且比替代方法更有效。最后,我们还表明,CAR通过强调指向因果假设的节点-邻居关系来增强注意力权重的可解释性。对于社交媒体网络大小的图,CAR引导的图重新布线方法可以使我们将图卷积方法的可扩展性与更高的图注意力性能相结合。
2023-03-01 cs.LG
Hierarchical Conditional Multi-Task Learning for Streamflow Modeling
University of Minnesota(明尼苏达大学);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);University of Pittsburgh(匹兹堡大学)
本文提出分层条件多任务学习(HCMTL),通过因果关联联合建模土壤水与积雪过程,并引入任务嵌入和条件小批量策略,在全球流域径流预测中显著优于多个基线,提升了精度与可解释性。
2024-10-18 cs.LG
Causal-DFQ: Causality Guided Data-free Network Quantization
Illinois Institute of Technology(伊利诺伊理工学院);Cisco Research(思科研究院)
针对无数据网络量化缺乏训练数据的问题,本文构建因果图并提出 Causal-DFQ,通过内容—风格解耦生成与干预分布对齐实现量化,实验验证了其有效性。
2023-09-24 cs.CV cs.LG
ChainReaction: Causal Chain-Guided Reasoning for Modular and Explainable Causal-Why Video Question Answering
Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore(新加坡高性能计算研究所,科技研究局);Centre for Frontier AI Research, Agency for Science, Technology and Research, Singapore(科技研究局前沿人工智能研究中心,新加坡);College of Computing and Data Science, Nanyang Technological University, Singapore(新加坡南洋理工大学计算与数据科学学院)
针对现有因果关系视频问答模型的问题,提出新的模块化范式,将因果推理与答案生成解耦,引入自然语言因果链,介绍两阶段架构及生成因果链方法,新指标,实验证明该方法性能优越。
2026-07-07 cs.AI cs.CL cs.CV
CAMO: Causality-Guided Adversarial Multimodal Domain Generalization for Crisis Classification
Arizona State University(亚利桑那州立大学);DEVCOM Army Research Laboratory(陆军研究实验室)
CAMO通过结合对抗去耦与统一表示学习,解决多模态危机分类中的领域泛化问题,提升模型在未见灾害场景下的性能。
2025-12-08 cs.LG
Towards Generalizable Reinforcement Learning via Causality-Guided Self-Adaptive Representations
Shanghai Jiao Tong University(上海交通大学);University of California San Diego(加利福尼亚大学圣迭戈分校);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文提出因果引导的自适应表示方法CSR,通过因果表示学习揭示变量结构关系,使智能体能自主判断并定位环境变化,仅需少量样本即可高效适应新任务并优于现有基线。
2025-03-06 cs.LG
Policy-Guided Causal State Representation for Offline Reinforcement Learning Recommendation
The University of New South Wales(新南威尔士大学);Data 61, CSIRO(联邦科学与工业研究组织数据61部门)
本文提出PGCR两阶段框架,通过因果特征选择策略和状态表示学习,在离线强化学习推荐中隔离因果相关成分,显著提升推荐性能。
2025-02-04 cs.IR cs.LG
CGRL: Causal-Guided Representation Learning for Node-Level Out-of-Distribution Generalization
School of Artificial Intelligence, Anhui University, Hefei, China(人工智能学院,安徽大学,合肥,中国)
本文提出CGRL方法,通过因果引导学习提升图数据在分布外情况下的泛化能力,结合因果表示学习和损失替换策略,有效缓解互信息学习不稳定问题。
2026-08-13 cs.LG stat.ML
Towards LLM-guided Causal Explainability for Black-box Text Classifiers
Arizona State University(亚利桑那州立大学)
针对NLP黑盒文本分类器因果可解释性实现难的问题,本研究提出利用LLM的指令遵循与文本理解能力,通过三步流水线生成反事实解释,实验验证了该方法的可行性与前景。
2024-01-29 cs.AI cs.CL cs.LG
Towards Fine-Tuning-Based Site Calibration for Knowledge-Guided Machine Learning: A Summary of Results
本文提出FTBSC-KGML框架,通过预训练和微调结合空间异质性意识和知识引导,提升在有限数据下对土地排放的准确预测能力。
2025-12-17 cs.AI cs.LG
Causally-Guided Pairwise Transformer -- Towards Foundational Digital Twins in Process Industry
Software Competence Center Hagenberg(海根贝格软件竞争力中心)
本文提出因果引导的成对Transformer(CGPT),通过将多维数据分解为变量对并结合因果图归纳偏置,在配对层面保留通道依赖建模、在配对之间实现通道独立泛化,从而在工业时序预测中兼顾精度与任意变量适应性。
2025-09-22 cs.LG
Understanding Climate Impacts on Vegetation with Gaussian Processes in Granger Causality
Image Processing Laboratory (IPL)(图像处理实验室(IPL));Universitat de València(瓦伦西亚大学)
全球变暖正在给我们的星球带来前所未有的变化,带来巨大的社会、经济和环境影响,特别是随着对生物燃料和粮食的需求不断增长。评估气候对植被的影响是迫切需要的。我们采用了一种新的非线性格兰杰因果(GC)方法的归因问题,并使用了大量的数据档案的遥感卫星产品,环境和气候变量的时空网格超过30年。我们通过在Hilbert空间中显式地考虑变量的交叉关系来推广核Granger因果关系,并在高斯过程中使用协方差。该方法推广了线性和核GC方法,并根据Rademacher复杂度给出了更严格的性能界限。空间上明确的全球Granger足迹的降水和土壤水分对植被绿度的识别比以前的GC方法更尖锐。
2020-12-06 cs.LG physics.ao-ph
PEACE: Cross-Platform Hate Speech Detection- A Causality-guided Framework
Arizona State University(亚利桑那州立大学);Stanford University(斯坦福大学);Amazon Alexa AI(亚马逊Alexa人工智能部门)
针对跨平台仇恨言论检测中源平台模型偏差、目标平台缺标注数据的问题,提出因果引导框架PEACE,利用文本情感与攻击性两类因果线索学习可泛化表征,经多平台实验验证其跨平台泛化有效性。
2023-10-08 cs.CL cs.LG
Inferring, Predicting, and Denoising Causal Wave Dynamics
University of Tübingen(图宾根大学);University of Hohenheim(霍恩海姆大学)
新型分布式人工神经网络体系结构(DISTANA)是一种生成式递归图卷积神经网络。它实现了局部可参数化的横向连接的网络模块的网格或网格。DISTANA是专门设计来识别空间分布,非线性动力学过程背后的因果关系。我们表明,DISTANA非常适合对数据流进行降噪,因为可以观察到重复出现的模式,在复杂的空间波传播基准上,其性能明显优于其他方法,例如时间卷积网络和ConvLSTM。它甚至可以在数百个时间步长上产生稳定和准确的闭环预测。此外,它能够有效地过滤噪声-通过应用去噪自动编码器原理或通过回顾性地主动调整潜在神经状态活动,可以进一步提高这种能力。结果证实,DISTANA已准备好模拟真实世界的时空动态,如大脑成像,供应网络,水流或土壤和天气数据模式。
2020-09-19 cs.LG stat.ML
Process-Guided Concept Bottleneck Model
SEOSAW Partnership(SEOSAW合作机构)
过程引导的概念瓶颈模型通过引入生物物理意义的中间概念,提升科学领域中深度学习模型的可解释性和透明性,减少误差和偏见,同时利用多源数据产生可解释的中间输出。
2026-01-15 cs.AI cs.CV cs.LG
Scalable Differentiable Causal Discovery in the Presence of Latent Confounders with Skeleton Posterior (Extended Version)
HKUST(香港科技大学);Microsoft Research(微软研究院);Shanghai Jiao Tong University(上海交通大学)
针对潜在混杂因素下可微MAG学习难以扩展的问题,提出SPOT两阶段框架,通过SCL摊销推断骨架后验,并以其引导随机优化,从而缩小搜索空间并提升因果发现性能。
2024-06-15 cs.AI cs.LG stat.ML
Fundamental Computational Limits in Pursuing Invariant Causal Prediction and Invariance-Guided Regularization
Princeton University(普林斯顿大学);Peking University(北京大学);Rutgers University(罗格斯大学)
本文证明异质环境下不变因果预测的判定问题是NP-hard的,导致计算高效算法的估计误差率任意缓慢;并在附加条件下提出一种兼具计算与统计高效性的分布鲁棒估计方法。
2025-01-29 cs.LG math.ST stat.ME
EvoCause: LLM-Guided Evolution of Causal Graphs for Root Cause Analysis
EvoCause 用 LLM 优化因果图以提升电信等系统的根本原因分析性能,发布了 TeleRCA 基准,在合成数据和真实网络数据上均优于基线方法。
2026-07-31 cs.LG
Causality Guided Disentanglement for Cross-Platform Hate Speech Detection
Arizona State University(亚利桑那州立大学);Amazon Alexa AI(亚马逊Alexa人工智能部门)
本文提出一种因果引导的跨平台仇恨言论检测模型,通过解耦平台相关与平台无关特征学习抗分布偏移表示,在四个平台上优于现有最先进方法。
2023-12-10 cs.CL cs.LG
Machine-Guided Discovery of a Real-World Rogue Wave Model
Pasteur Labs(巴斯德实验室);Niels Bohr Institute, University of Copenhagen(哥本哈根大学尼尔斯·玻尔研究所);University of Victoria(维多利亚大学)
本文提出利用因果分析、深度学习、简约性引导的模型选择和符号回归,从波浪浮标观测数据中发现海洋异常波的新符号模型,该模型在预测性能和可解释性上优于现有理论。
2023-11-21 cs.LG physics.geo-ph
Beyond AHI: An Interpretable Causal-Discovery-Guided Framework for Sleep Recovery in Connected Health
University of California, Irvine(加州大学尔湾分校)
提出一种可解释的因果发现引导框架,从多模态PSG中推导层次化睡眠恢复评分(SRS),在两大队列中SRS与感知恢复的关联强度是AHI的2.5倍。
2026-09-02 cs.LG eess.SP stat.AP
Path-specific effects for pulse-oximetry guided decisions in critical care
Columbia University(哥伦比亚大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Mila & Université de Montréal(Mila与蒙特利尔大学);Google DeepMind(谷歌DeepMind);Purdue University(普渡大学)
本研究通过因果推理方法,利用路径特定效应分析脉氧测量中的种族偏见对ICU侵入性通气的影响,揭示种族差异对通气持续时间的影响,并强调因果方法在医疗公平性评估中的重要性。
2026-01-25 cs.LG stat.ML
Spatio-temporal probabilistic forecast using MMAF-guided learning
TU Chemnitz, Faculty of Mathematics(图恩-切姆尼茨大学数学系)
本文提出一种理论引导的广义贝叶斯方法,用于训练随机前馈神经网络 ensemble,通过约束数据嵌入设计和优化过程,实现时空奥斯特瓦尔德过程的依赖性和因果结构。实验表明,该方法在多个时间尺度上保持校准,并展示浅层前馈架构在概率预测中可媲美甚至优于卷积或扩散深度学习架构。
2026-06-29 cs.LG math.ST stat.ML
Unlocking the Black Box of Latent Reasoning: An Interpretability-Guided Approach to Intervention
Shanghai Jiao Tong University(上海交通大学);Fudan University(复旦大学)
本文通过结构、因果和几何探针分析潜在推理向量的可解释性,并基于此提出无需训练的解码时干预方法,提升大语言模型推理准确性。
2026-05-31 cs.CL cs.LG
Generalizing Identifiability Results in Causal Discovery from Complete Data to Missing Data Settings
Oregon State University(俄勒冈州立大学);RIKEN Advanced Intelligence Project(理化学研究所先进智能项目);The University of Osaka(大阪大学);Shiga University(滋贺大学)
该研究针对缺失数据场景,建立了因果图可识别性的通用充分条件,提出两种适用于加性噪声模型的渐近正确算法,将完整数据因果发现的正确性保证扩展至缺失数据场景。
2026-10-15 cs.AI cs.LG stat.ME
Encoding Invisible Causation for Bridge Diagnostic Agents: Triple-Guided Retrieval-Augmented Fine-Tuning with QLoRA
研究针对桥梁损伤原因难以肉眼察觉及专家诊断依赖隐性知识的问题,提出基于QLoRA的三重引导检索增强微调方法(含知识三元组提取等组件),能在消费级硬件上实现内存高效、高精度的桥梁诊断代理。
2026-07-27 cs.LG
Counterfactually Guided Off-policy Transfer in Clinical Settings
University of Toronto(多伦多大学);Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学)
当针对新患者人群使用训练模型时遇到的域转移为医疗保健中的顺序决策带来了重大挑战,因为目标域可能是数据稀缺和混淆的。在本文中,我们提出了一种方法,通过建模的基础生成过程与因果机制的政策外转移。我们使用来自源域的信息先验以原则性的方式在目标中增强反事实轨迹。我们展示了如何解决数据稀缺性的存在下未观察到的混淆。我们的采样过程的因果参数化保证了反事实的数量可以估计从稀缺的观测目标数据,保持直观的稳定性。目标域中的策略学习通过源策略通过KL发散进一步正则化。通过对模拟脓毒症治疗任务的评估,我们的反事实政策转移程序显着提高了学习的治疗策略的性能时,“无未观察到的混杂”的假设放宽。
2022-03-16 cs.LG stat.ML
Quantifying Distributional Invariance in Causal Subgraph for IRM-Free Graph Generalization
本文提出无IRM的图泛化方法,基于不变分布准则量化因果子图分布不变性,通过范数引导目标发现因果子图,在两个基准上超越现有方法。
2025-10-23 cs.LG
TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery
Nanjing University(南京大学)
提出TabCausal,一种通过动态任务构建策略在多样化因果环境中进行大规模预训练的因果发现基础模型,在合成和语义基准上优于现有方法。
2026-08-19 cs.LG
SAEExplainer: Interpreting SAE Features with Activation-Guided Preference Optimization
Shanghai Jiao Tong University(上海交通大学);NJIT(新泽西理工学院);Jilin University(吉林大学);Institute of Computing Technology, CAS(中国科学院计算技术研究所);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
提出SAEExplainer框架,利用激活分数作为奖励信号,通过两轮优化迭代自纠正基础解释,减少解释幻觉并增强因果触发模式。
2026-09-14 cs.CL cs.LG
DiffusionCounterfactuals: Inferring High-dimensional Counterfactuals with Guidance of Causal Representations
Information Sciences Institute(信息科学研究所);Clemson University(克莱姆森大学)
本文提出结合因果机制与扩散模型的新框架DiffusionCounterfactuals,在因果表示引导下生成高质量高维反事实样本,在多步干预下持续生成准确反事实,并在合成与真实基准上优于现有方法。
2024-07-30 cs.LG stat.ME
Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks
University of California San Diego(加州大学圣地亚哥分校)
本文提出了一种两阶段迭代算法,用于在具有复杂潜在混杂网络的Hawkes过程中学习因果结构,通过路径条件保证可识别性,并在合成和真实数据上验证了方法的有效性。
2026-03-02 cs.LG stat.ML
Reliable Beamforming at Terahertz Bands: Are Causal Representations the Way Forward?
Virginia Tech(弗吉尼亚理工大学)
未来的无线服务,如虚拟世界,需要高信息速率,可靠性和低延迟。多用户无线系统可以通过利用大量天线的丰富太赫兹带宽来满足这些要求,从而创建窄波束成形解决方案。然而,现有的解决方案缺乏对信道动态的适当建模,导致在高移动性场景中的不准确的波束成形解决方案。本文首次提出了一种动态的、语义感知的波束形成解决方案,利用变分因果推理中的新型人工智能算法来计算多模态数据的因果表示和波束形成的时变动态。仿真结果表明,所提出的太赫兹(THz)波束形成的容限引导的方法优于经典的MIMO波束形成技术。
2023-03-14 cs.IT cs.LG eess.SP
CCSL: A Causal Structure Learning Method from Multiple Unknown Environments
Guangdong University of Technology(广东工业大学);Peng Cheng Laboratory(鹏城实验室);Renmin University of China(中国人民大学);Shantou University(汕头大学)
大多数现有的因果结构学习方法假设从一个环境中收集的数据和独立同分布(i.i.d.)。在某些情况下,数据是从多个环境中的不同受试者收集的,这提供了更多的信息,但可能使数据不相同或非独立分布。一些先前的努力试图在两个独立的阶段从这种类型的数据中学习因果结构,即,首次发现i.i.d.来自非独立身份证持有者的群体样本,然后从不同的群体中学习因果结构。这种简单的解决方案忽略了两个阶段之间的内在联系,即聚类阶段和学习阶段都应该由相同的因果机制指导。为此,我们提出了一个统一的因果聚类结构学习(命名为CCSL)的方法,从非独立同分布的因果发现。数据该方法同时集成了以下两个任务:1)将具有相同因果机制的受试者的样本聚类到不同的组中; 2)从组内的样本中学习因果结构。具体来说,对于前者,我们提供了一个因果关系相关的中国餐馆过程聚类样本的基础上的因果结构的相似性;对于后者,我们引入了一个基于变分推理的方法来学习的因果结构。理论结果提供了线性非高斯假设下的因果模型和聚类模型的识别。仿真和真实数据的实验结果进一步验证了该方法的正确性和有效性。
2023-02-06 cs.LG
CausalPre: Scalable and Effective Data Pre-Processing for Causal Fairness
National University of Singapore(新加坡国立大学)
本文提出CausalPre框架,通过因果引导的数据预处理实现高效公平,无需强因果模型假设,实验表明其有效且可扩展。
2026-03-26 cs.DB cs.LG
Tackling Non-Stationarity in Reinforcement Learning via Causal-Origin Representation
School of Computer Science, Peking University(北京大学计算机学院);Center for Statistical Science, Peking University(北京大学统计科学中心);School of Data Science, Fudan University(复旦大学数据科学学院);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
本文提出COREP算法,通过隐式追踪非平稳性因果起源并学习稳定图表示,使策略对非平稳性具备卓越韧性,在解决强化学习非平稳性问题上优于现有方法。
2024-06-02 cs.LG