本文精选了几篇**因果表示学习**领域的最新文献，并细致分析了不同方法的基本架构，希望能帮助感兴趣的你对**因果学习应用于机器学习**的方向和可能一探究竟。
提取模块化结构（Learning modular structures）
反事实推理（Counterfactual）
平衡因果表示学习
收录了此文补充引用的文章
图灵奖得主Judea Pearl：机器学习的理论局限性与因果推理的七大特性
最后，本.md笔记收录了丁鹏老师的因果推断简介连载文章
2021-04-06 15:21:44
17.65MB
1
PyCID：因果影响图库
该软件包实现了因果影响图和分析方法，并且是项目的一部分。
pgmpy为，提供了定义CID和MACID，计算最佳策略和纳什均衡，研究干预措施的效果以及检查各种奖励措施的图形标准的方法。
安装
创建并激活或。 然后使用以下命令进行安装：
python3 -m pip install pycid
PyCID需要python 3.7或更高版本。
基本用法
# Import
import pycid
# Specify the nodes and edges of a simple CID
cid = pycid . CID ([
( 'S' , 'D' ), # add nodes S and D, and a link S -> D
( 'S' , 'U' ), # add node U, and a link S -> U
( '
2021-03-31 14:10:16
631KB
1
因果对学习官方入门指南 Cause-Effect Pairs Challenge
2021-03-30 21:18:19
41.76MB
1
因果推理是解释性分析的强大建模工具，它可使当前的机器学习变得可解释。如何将因果推理与机器学习相结合，开发可解释人工智能（XAI）算法，是迈向人工智能2.0的关键步骤之一。为了将因果推理的知识带给机器学习和人工智能领域的学者，我们邀请从事因果推理的研究人员，从因果推理的不同方面撰写了本综述。
2021-03-21 09:18:59
1.38MB
1
格兰杰因果关系与新因果关系揭示了沪深300现货与其指数期货之间的因果关系
2021-03-14 19:09:58
1.33MB
1
反事实VQA（CF-VQA）
该存储库是CVPR 2021中我们的论文的Pytorch实现。该代码将很快发布。
引文
如果您发现该项目对您的研究有所帮助，请考虑在您的出版物中引用我们的论文。
@inproceedings{niu2020counterfactual,
title={Counterfactual VQA: A Cause-Effect Look at Language Bias},
author={Niu, Yulei and Tang, Kaihua and Zhang, Hanwang and Lu, Zhiwu and Hua, Xian-Sheng and Wen, Ji-Rong},
booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Rec
2021-03-10 21:50:13
6KB
1