文章预览
来源:专知 本文 约1000字 ,建议阅读 5 分钟 本论文探讨了如何通过帮助机器学习系统克服绑定问题,使其具备更接近人类的智能。 本论文探讨了如何通过帮助机器学习系统克服绑定问题,使其具备更接近人类的智能。具体来说,我们希望神经网络能够灵活、动态地表示并关联不同的实体。论文分为两部分。第一部分,我们研究了基于图的表示中的归纳偏置;第二部分,我们开发并研究了一种新的表示格式,以解决绑定问题。 我们的主要贡献如下: 我们提出了 摊销因果发现(Amortized Causal Discovery, ACD) [105, 第三章],这是一个全新的因果发现框架,可以在具有不同底层因果图但共享动态的样本之间推断因果关系。我们证明了该方法在完全观察环境下以及在存在噪声和隐藏混杂因素的情况下都能提升性能,并使模型能够推广到之前未见的测试样本
………………………………