К стремлению к обучению причинных представлений
Toward Causal Representation Learning
2021-02-26
SCID: 54.1/apmzzk37
Discuss with AI
каузальное выводкаузальное обучение представленийвыделение высокоуровневых каузальных переменныхграфовая каузальностьперенос и обобщение
Figures from the paper
Abstract (AI)
Две области — машинное обучение и графовая каузальность — возникли и развивались отдельно. Тем не менее сейчас наблюдается перекрестное влияние и растущий интерес обеих областей к тому, чтобы воспользоваться достижениями друг друга. В этой статье мы рассматриваем фундаментальные понятия каузального вывода и соотносим их с важнейшими открытыми проблемами машинного обучения, включая перенос и обобщение, тем самым оценивая, как каузальность может способствовать современным исследованиям в области машинного обучения. То же справедливо и в обратном направлении: большинство работ по каузальности исходят из предпосылки, что каузальные переменные заданы. Центральной проблемой для ИИ и каузальности является, таким образом, обучение причинным представлениям, то есть обнаружение высокоуровневых каузальных переменных по низкоуровневым наблюдениям. Наконец, мы обозначаем некоторые последствия каузальности для машинного обучения и предлагаем ключевые области исследований на стыке обеих сообществ.
Key Findings
1
Казуальное представление (causal representation learning) — обнаружение высокоуровневых причинных переменных из низкоуровневых наблюдений — определено как центральная открытая проблема.
2
Понятия причинности могут решать ключевые задачи машинного обучения, такие как перенос и обобщение, связывая причинный вывод с этими проблемами.
3
Большинство исследований в области причинности предполагают заданность причинных переменных, что выявляет центральный пробел в ИИ и причинности.
4
Статья предлагает ключевые междисциплинарные направления исследований на пересечении причинности и машинного обучения и очерчивает последствия причинности для исследований в МО.
5
Наблюдается растущее взаимовлияние между машинным обучением и графовой причинностью, приносящее взаимную пользу обоим областям.
Research Object
Кausalное обучение представлений (выделение высокоуровневых причинных переменных из низкоуровневых наблюдений)
Research Subject
Методы и принципы обнаружения и валидации высокоуровневых причинных переменных и их причинных связей из наблюдательных данных для обеспечения переноса, обобщения и причинного вывода в машинном обучении
Publication Details
Publication Date
2021-02-26
Journal
Publisher
ISSN
Cited by
1161
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai17
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
ImageNet: крупномасштабная иерархическая база изображений2009
Статистическая теория обучения1999
Искусственный интеллект: современный подход1995
Обучение представлений: обзор и новые перспективы2013
Обучение представлений с помощью контрастивного предиктивного кодирования2018
Интригующие свойства нейронных сетей2013
Каузальность2009
Обучение с подкреплением: обзор1996
Распознавание речи с помощью глубоких рекуррентных нейронных сетей2013
Полуобучение2006
Обзор глубокого обучения в медицинской визуализации с акцентом на МРТ2018
Методы опорных векторов2020
Теория каузального обучения у детей: каузальные карты и байесовские сети2004
Взаимодействующие сети для обучения представлениям об объектах, отношениях и физике2016
Фреймворк Aion: размерное возникновение сознания ИИ, коллапс под воздействием наблюдателя и динамика космологических порталов2023
Конвейер с поддержкой искусственного интеллекта для динамической генерации достоверного контента о пищевых добавках в больших масштабах2022
Работы, цитирующие эту статью4
Научное машинное обучение с использованием физически информированных нейронных сетей: современное состояние и дальнейшие перспективы2022
Аугментация текстовых данных для глубокого обучения2021
Комплексный обзор глубокого обучения для прогнозирования временных рядов: архитектурное разнообразие и нерешённые проблемы2025
Искусственный интеллект, агентные модели и автоматизация лабораторий для научных открытий — начало scAInce2025