没有合适的资源?快使用搜索试试~ 我知道了~
1. 对于任一图像经过特征提取backbone得到两个RoI特征向量 和 ,对应表中的(1)(2) 2. 对 经过SDPA得到精炼后的confounder,对应
资源详情
资源评论
资源推荐
一切诸果,皆从因起,一切诸报,皆从业起。在未学习因果理论之前,大家就知道世间万物皆有因果,我们是处在
一个充满因果的复杂世界中。正是因为因果的存在,我们才能通过变化万千的事物总结规律形成自己的知识,做到
见微知著,一叶知秋。这些都是人类通过学习可以掌握的能力,但是人工智能却很难通过训练模型来实现。虽然人
工智能在经历无数次浪潮之后,在深度学习时代迎来巨大爆发,涌现出许多惊艳之作,打败人类围棋顶级选手的
alphaGo、可以以假乱真的“下一个伦勃朗”项目、“只因在人群中多看你一眼”的天眼系统、基于大数据技术的新冠
疫情预测、溯源、管控等。但是,我们必须承认深度学习并非万能,现在深度学习可以为机器人赋予强大的感知能
力,但是在认知、决策层面仍力不从心。在深度学习模型的训练中,好的结果与海量优质标注数据集、精巧的网络
结构、精心调整的超参数是密不可分的,而且针对某一领域或某问题学习到的模型无法直接泛化到相似的任务中
去。很多研究者意识到造成这个现象的发生,一定程度上是由于模型缺乏逻辑推理能力,所以现在他们也开始在深
度学习中融入因果的思想和理论。
深度学习方法建模因果推理CEVAE
CEVAE模型是首个使用VAE来建模因果推理的深度学习模型,作者通过引入医学治疗与患者健康之间因
果关系的例子,假设了一幅包含treatment、outcome、confounder的因果图。但是,由于
confounder在大多数情况下无法被准确的确定和观测,所以作者在原因果图的基础上添加了一个关于
confounder的noisy views作为proxy,如图所示。
目前因果推理的研究主要就是集中在CATE或ATE的估计上,所以作者的目的就是建模ITE,从而得到ATE
的估计。
ITE (Individual Treatment Effect): 评价treatment对于单个个体的效果。
ATE (Average Treatment Effect): 评价treatment对于单个个体的效果。
从图中我们可以看出 是无法作为普通的混杂直接处理的,因为它与 和 之间没有直接的因果路径,直
接处理它将会带来偏差。为了消除这种偏差,通过可观测的代理恢复真实的因果关系是解决问题的关
键。所以作者使用VAE学习一个潜在变量模型,用来发现隐藏的confounder并推理它们对 和 的影
响。虽然目前没有一个理论可以证明VAE可以学习真实的模型,但是它对数据生成和隐藏confounder的
假设相较于其它方法很弱。
KerstinTongxi
- 粉丝: 21
- 资源: 277
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- huawei-od.zip
- 免费的-PDF阅读软件
- 数据分析实例(共30张PPT).rar
- 基于知识图谱的推荐算法-MKR的实现pyhton源码+运行说明.zip
- 基于知识图谱的推荐算法-RKGE的实现python源码+运行说明.zip
- 基于知识图谱的推荐算法-NCFG的实现python源码+运行说明.zip
- 基于知识图谱的推荐算法MCRec的python实现源码+项目说明+数据集.zip
- 基于知识图谱的推荐算法-KGCN实现python源码+运行说明.zip
- 学生信息管理系统-数据库课程设计报告.docx
- STM32烟雾检测程序 DHT11温湿度采集 ESP8266WIFI传输数据 1602液显
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0