arXiv ID:
2603.04276
从大语言模型中提取因果关系 / Causality Elicitation from Large Language Models
1️⃣ 一句话总结
这篇论文提出了一种从大语言模型中提取和构建潜在因果关系假设的自动化流程,帮助人们可视化和检验模型内部隐含的因果知识。
从大语言模型中提取因果关系 / Causality Elicitation from Large Language Models
这篇论文提出了一种从大语言模型中提取和构建潜在因果关系假设的自动化流程,帮助人们可视化和检验模型内部隐含的因果知识。
未知软干预下的可扩展对比因果发现 / Scalable Contrastive Causal Discovery under Unknown Soft Interventions
这篇论文提出了一种新的因果发现方法,它利用观察数据和单次干预数据,在干预目标未知且影响较弱的情况下,通过对比学习策略,能够更准确地推断出因果关系,并且可以扩展到更大的系统。
I-CAM-UV:利用含未观测变量的因果加性模型整合变量集不同的因果图 / I-CAM-UV: Integrating Causal Graphs over Non-Identical Variable Sets Using Causal Additive Models with Unobserved Variables
本文提出了一种名为I-CAM-UV的新方法,它能有效整合多个变量不完全相同的观测数据集,从而推断出更完整、更可靠的因果关系网络,解决了传统方法因数据缺失和未观测变量干扰而难以发现全部因果关系的难题。
基于因果引导与多智能体强化学习的自动化特征工程 / Causally-Guided Automated Feature Engineering with Multi-Agent Reinforcement Learning
这篇论文提出了一个名为CAFE的新框架,它通过结合因果发现与多智能体强化学习,让AI系统能自动构建出更稳健、更高效的特征,从而在数据分布发生变化时仍能保持良好的预测性能。
基于因果效应关系分布不变性的因果图学习 / Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship
这篇论文提出了一种新方法,通过检验‘原因’变化时‘结果’的条件分布是否保持不变来高效地从观测数据中学习因果图,其算法比现有先进方法快达25倍,且在大规模数据集上表现优异。
可解释AI的因果发现:一种双重编码方法 / Causal Discovery for Explainable AI: A Dual-Encoding Approach
这篇论文提出了一种新的双重编码因果发现方法,通过结合两种编码策略和多数投票机制,有效解决了传统方法在处理分类数据时的不稳定性问题,从而更可靠地揭示机器学习模型决策背后的因果关系。
CauSight:学习超感知以实现视觉因果发现 / CauSight: Learning to Supersense for Visual Causal Discovery
这篇论文提出了一个名为CauSight的新模型,它能够像人一样从图片中识别出事物之间的因果关系,而不仅仅是看到它们,并通过一个包含3.2万张带标注图片的新数据集和一套特殊的训练方法,在视觉因果发现任务上显著超越了GPT-4等现有模型。
请先 登录 后再提交论文