【博士论文】在时空系统中学习因果表示

文章预览

来源：专知 本文 约1000字 ，建议阅读 5 分钟 本论文探讨了如何使用机器学习从高维无结构数据中学习因果结构、机制和表示，重点关注视觉和时间系统。 本论文探讨了如何使用机器学习从高维无结构数据中学习因果结构、机制和表示，重点关注视觉和时间系统。首先，论文介绍了ENCO，一种用于神经因果发现的新算法，能够处理干预数据。ENCO将图搜索重新定义为独立边缘似然的优化，保证了收敛性，并能够高效地扩展到大规模图，同时处理确定性变量和潜在混杂变量。接下来，论文着重于因果表示学习，提出了CITRIS，一种基于神经网络的方法，可以从带有干预的高维时间序列数据中识别标量和多维因果因素。这包括建立因果表示学习与干预设计之间的联系，确定识别所需的最小干预。该方法进一步扩展为处理瞬时效应，推出iCITRIS，能够同时识别 ………………………………