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。本综述包括以下几个部分:况琨博士的“平均因果效应评估——简要回顾与展望”,李廉教授的“反事实推理的归因问题”,耿直教授的“Yule-Simpson悖论和替代指标悖论”,徐雷教授的“因果发现CPT方法”,张坤教授的“从观测数据中发现因果关系”,廖备水和黄华新教授的“形式论辩在因果推理和解释中的作用”,丁鹏教授的“复杂实验中的因果推断”,苗旺教授的“观察性研究中的工具变量和阴性对照方法”,蒋智超博士的“有干扰下的因果推断”。

http://www.engineering.org.cn/ch/10.1016/j.eng.2019.08.016

成为VIP会员查看完整内容
0
58

相关内容

因果推断是研究如何更加科学地识别变量间的因果关系。 客观事物普遍存在着内在的因果联系,人们只有弄清事物发展变化的前因后果,才能全面地、本质地认识事物。基干事物发展的这种规律,在论证观点时,有时就可以直接从事物本身的因果关系中进行推论,这就叫因果推断法

来自阿肯色大学zhang lu 博士介绍《因果发现和因果推理》的Slides。

因果分析的黄金法则是:没有任何因果论断可以纯粹通过统计方法建立起来。

成为VIP会员查看完整内容
0
56

强化学习技术是人工智能从感知智能向决策智能发展的关键技术之一;是基于控制论、心理学、生理学、认知科学、电脑科学等多学科交叉的新兴机器学习技术。

本书是学习和研究强化学习技术的重要参考书籍,作者是日本人工智能领域知名学者、东京大学杉山将教授。

全书将统计学习和强化学习结合,从模型无关策略迭代、模型无关策略搜索、模型相关强化学习三个技术路线角度,对强化学习函数估计中的基函数设计、样本重用以及策略搜索、模型估计等做了深入浅出的介绍。本书适合于从事人工智能和机器学习研究和应用的专家学者、技术人员、研究生阅读。

本书特色:

从现代机器学习的角度介绍了统计强化学习的基本概念和实用算法,为该领域提供了最新介绍。

涵盖了各种类型的强化学习方法,包括基于模型和无模型的方法、策略迭代和策略搜索方法。

涵盖了最近在数据挖掘和机器学习领域引入的方法,以便在强化学习和数据挖掘/机器学习研究人员之间提供系统桥梁。

呈现了最新的结果,包括强化学习的维数降低和风险敏感强化学习;介绍了许多示例来帮助读者理解强化学习技术的直观性和实用性。

成为VIP会员查看完整内容
0
44

贝叶斯统计是一种基于贝叶斯定理的数据分析方法,统计模型中有关参数的可用知识会随着观测数据中的信息而更新。背景知识以先验分布的形式表示,并以似然函数的形式与观测数据结合来确定后验分布。后验也可以用来预测未来的事件。这本入门书描述了贝叶斯分析中涉及的各个阶段,从指定先验模型和数据模型到推导推理、模型检查和细化。我们讨论了前验和后验预测检验、从后验分布中选择合适的抽样技术、变分推理和变量选择的重要性。本书提供了贝叶斯分析在不同研究领域的成功应用实例,包括社会科学、生态学、遗传学、医学等。我们提出了重现性和报告标准的策略,概述了一个更新的WAMBS(什么时候需要担心以及如何避免贝叶斯统计的误用)清单。最后,我们概述了贝叶斯分析对人工智能的影响,这是未来十年的主要目标。

成为VIP会员查看完整内容
0
45

【导读】对因果推理发展的研究广泛地集中于实现两个目标: 理解因果推理的起源,以及检验因果推理如何随着发展而变化。41页因果推理发展综述《The Development of Causal Reasoning》回顾了旨在实现这两个目标的证据和理论。

41页因果推理发展综述《The Development of Causal Reasoning》回顾了因果推理发展相关的研究,综述链接:

综述摘要 对因果推理发展的研究广泛地集中于实现两个目标: 理解因果推理的起源,以及检验因果推理如何随着发展而变化。本书回顾了旨在实现这两个目标的证据和理论。在第一节中,它着重于探索世界上认识因果事件的可能先例的研究,回顾早期因果推理的三种不同机制的证据:物理启动事件,行动者及其行动,以及共变信息。本书的第二部分考察了年龄稍大的孩子如何了解特定的因果关系的问题。它着重于统计证据的模式在引导学习因果结构方面的作用,表明即使是非常年幼的儿童也利用强烈的数据模式的归纳偏差来提供他们关于因果事件的推论,并讨论儿童的自发游戏如何支持因果学习。

综述内容 因果关系在人类认知中扮演着重要的角色,并且长期以来一直是许多发展研究人员感兴趣的话题——因果推理被认为是生理、心理和生物世界早期学习的一个中心方面。此外,因果推理在早期社会发展的许多理论中都有涉及,包括心智和道德的概念和理论的发展。因果表征也是许多语言意义理论的中心,也是早期语言习得研究的一个感兴趣的领域。最后,研究者研究了因果学习在解释发展中的作用。

对因果推理发展的研究广泛地集中于实现两个目标: 理解因果推理的起源,以及因果推理是如何随着发展而变化的。因此,该书回顾了旨在实现这两个目标的证据和理论。在第一部分中,该书主要探讨认识世界上因果事件的可能先例的研究。早期关于可能的因果关系的概念与更广泛的认知事件因果关系的抽象框架有什么关系? 该书回顾了早期因果推理中三种不同机制的证据——物理启动事件、主体及其行为和共变信息——并讨论了如何将这些机制整合到开发中。本书的第二部分主要关注年龄稍大的孩子如何了解特定的因果关系。想当然地认为孩子们认识到一个事件涉及因果关系,那么孩子们是如何了解一个系统中因果关系的具体力量和性质的呢?本书关注统计证据模式在引导学习因果结构中的作用,并指出证据表明儿童将这些证据与他们发展中的归纳偏见结合在一起。

目录:

  • 因果推理的起源
    • 因果推理产生于运动事件的表征
    • 因果推理产生于行为人及其行为的表征
    • 从协变信息进行因果推理
    • 协调不同的账目
  • 在幼儿时期学习特定的因果关系
    • 领域特定的机制信息
    • 统计学习
    • 协调统计方法和领域特定方法
    • 领域知识之外的归纳约束
    • 儿童的因果推理的讨论
  • 因果探索与发现
  • 一般结论和开放问题
成为VIP会员查看完整内容
0
73

【导读】机器学习顶会 NeurIPS 2020, 是人工智能领域全球最具影响力的学术会议之一,因此在该会议上发表论文的研究者也会备受关注。据官方统计,今年NeurIPS 2020 共收到论文投稿 9454 篇,接收 1900 篇(其中 oral 论文 105 篇、spotlight 论文 280 篇),论文接收率为 20.1%。近期,所有paper list 放出,小编发现因果推理(Causal Inference)相关的接受paper很多,这块研究方向这几年受到了学术界的广泛关注,并且在CV、NLP等领域也开始应用起来。

为此,这期小编为大家奉上NeurIPS 2020必读的六篇因果推理(Causal Inference)相关论文——Covid-19传播因果分析、反事实概率方法、因果图发现、因果模仿学习、弱监督语义分割、不确定性因果效应

NeurIPS 2020 Accepted Papers : https://neurips.cc/Conferences/2020/AcceptedPapersInitial

ICLR2020CI、ICML2020CI

1. Causal analysis of Covid-19 spread in Germany

作者:Atalanti A. Mastakouri, Bernhard Schölkopf

摘要:在这项工作中,我们研究了自大流行开始以来,德国各地区在Covid-19传播方面的因果关系,并考虑了不同联邦州实施的限制政策。本文提出并证明了时间序列数据因果特征选择方法的新定理,该定理对潜在混杂因素具有鲁棒性,并将其应用于Covid-19病例编号。我们报告了病毒在德国传播的发现和限制措施的因果影响,讨论了各种政策在控制传播中的作用。由于我们的结果是基于相当有限的目标时间序列(仅是报告的病例数),因此在解释它们时应谨慎行事。然而,我们发现如此有限的数据似乎包含了因果信号。这表明,随着获得更多数据,我们的因果方法可能有助于对影响Covid-19发展的政治干预措施进行有意义的因果分析,从而也有助于制定合理的、以数据为驱动的方法来选择干预措施。

网址: https://arxiv.org/abs/2007.11896

2. Algorithmic recourse under imperfect causal knowledge: a probabilistic approach

作者:Amir-Hossein Karimi, Julius von Kügelgen, Bernhard Schölkopf, Isabel Valera

摘要:最近的工作已经讨论了反事实解释(counterfactual explanations)的局限性,以为算法追索权(algorithmic recourse)推荐行动,并认为需要考虑特征之间的因果关系。但是,在实践中,真正的潜在结构因果模型通常是未知的。在这项工作中,我们首先表明,它是不可能保证追索权(recourse)没有获得真正的结构方程。为了解决这一局限性,我们提出了两种概率方法来选择在有限的因果知识(例如:仅因果图)下以高概率实现追索的最优行动。第一个模型捕捉了加高斯噪声下结构方程的不确定性,并使用贝叶斯模型平均估计反事实分布。第二种方法通过计算追索权行为对类似于寻求追索权的平均影响,消除了结构方程上的任何假设,从而产生了一种基于亚群体的新型干预(subpopulation-based interventional notion)追索权概念。然后我们推导了一个基于梯度的程序来选择最优的追索权行动,并且经验地表明,在不完全因果知识下,所提出的方法比非概率基线下的建议更可靠。

网址: https://arxiv.org/abs/2006.06831

3. CASTLE: Regularization via Auxiliary Causal Graph Discovery

作者:Trent Kyono, Yao Zhang, Mihaela van der Schaar

摘要:正则化改进了监督模型对样本外数据的泛化。先前的研究表明,在因果方向(由原因产生的结果)上的预测比在反因果方向上的预测能产生更低的测试误差。然而,现有的正则化方法不知道因果关系。我们引入因果结构学习(CASTLE)正则化,并提出通过共同学习变量之间的因果关系来对神经网络进行正则化。CASTLE学习了因果有向无环图(DAG)作为嵌入在神经网络输入层的邻接矩阵,从而促进了最佳预测器的发现。此外,CASTLE只有效地重构具有因果邻接的因果DAG中的特征,而基于重构的正则化器则次最优地重构所有输入特征。我们为这个方法提供了一个理论泛化边界,并在大量合成和真实的公开数据集上进行实验,证明与其他流行的基准规则相比CASTLE始终导致更好的样本外预测。

网址: https://arxiv.org/abs/2009.13180

4. Causal Imitation Learning with Unobserved Confounders

作者:Junzhe Zhang, Daniel Kumor, Elias Bareinboim

摘要:儿童学习的一种常见方式就是模仿成年人。模仿学习的重点是学习策略与适当的表现,该策略具有由专家产生的演示的适当性能,并具有未指定的性能度量和未观察到的奖励信号。模仿学习的流行方法首先是直接模仿专家的行为策略(行为克隆),或者学习优先观察专家轨迹的奖励函数(逆强化学习)。然而,这些方法依赖于这样一种假设,即专家用来确定其行动的协变量得到了充分观察。在本文中,我们放松这一假设,在学习者和专家的感官输入不同的情况下研究模仿学习。首先,我们提供了一个完整的(既必要又充分的)非参数的图形标准,用于确定模仿的可行性,该标准由有关潜在环境的示范数据和定性假设的组合,以因果模型的形式表示。然后我们表明,当这样一个标准不成立时,模仿仍然可以利用专家轨迹的定量知识。最后,我们开发了一个从专家轨迹学习模仿政策的有效程序。

网址: https://causalai.net/r66.pdf

5. Causal Intervention for Weakly-Supervised Semantic Segmentation

作者:Dong Zhang, Hanwang Zhang, Jinhui Tang, Xiansheng Hua, Qianru Sun

摘要:我们提出了一个因果推理框架来改进弱监督语义分割。具体来说,我们的目标是通过仅使用图像级标签(WSSS中最关键的一步)来生成更好的像素级伪图像。我们将伪掩码(pseudo-masks)的边界不明确的原因归因于混淆的上下文。例如,“马”和“人”的正确图像级别分类可能不仅是由于每个实例的识别,还包括它们的共同作用,而且在他们共现的背景下,使模型检验(如:CAM)难以区分界限。受此启发,我们提出一个结构因果模型来分析图像、上下文和类别标签之间的因果关系。在此基础上,我们提出了一种新的方法:上下文调整(CONTA),以消除图像级分类中的混淆偏差,从而为后续的分割模型提供更好的伪掩码(pseudo-masks)作为ground-truth。在PASCAL VOC 2012和MS-COCO上,我们展示了CONTA将各种流行的WSSS方法提升到新的状态。

代码: https://github.com/ZHANGDONG-NJUST/CONTA

网址: https://arxiv.org/abs/2009.12547

6. Identifying Causal-Effect Inference Failure with Uncertainty-Aware Models

作者:Andrew Jesson, Sören Mindermann, Uri Shalit, Yarin Gal

摘要:为个人推荐最佳的行动是个人级别因果效应估计的主要应用。在诸如医疗保健等对安全至关重要的领域中,经常需要此应用程序,在这些领域中,对不确定性进行评估并与决策者进行交流至关重要。我们介绍了一种实用的方法,将不确定性估计集成到一类先进的神经网络方法用于个体水平的因果估计。我们的方法使我们能够优雅地处理高维数据中常见的“无重叠”情况,在这种情况下,因果效应方法的标准应用失败了。此外,我们的方法允许我们处理协变量变换,即训练和测试分布不同的情况,这在系统实际部署时很常见。我们表明,当这种协变量变化发生时,正确的建模不确定性可以防止我们给出过度自信和潜在的有害建议。我们用一系列最先进的模型来演示我们的方法。在协变量转移和缺乏重叠的情况下,我们的 uncertainty-equipped方法可以在预测不可信时向决策者发出警告,同时性能优于使用倾向评分来识别缺乏重叠的标准方法。

网址: https://arxiv.org/abs/2007.00163

成为VIP会员查看完整内容
0
53

【导读】ICML(International Conference on Machine Learning),即国际机器学习大会, 是机器学习领域全球最具影响力的学术会议之一,因此在该会议上发表论文的研究者也会备受关注。因疫情的影响, 今年第37届ICML大会已于2020年7月13日至18日在线上举行。据官方统计,ICML 2020共提交4990篇论文,接收论文1088篇,接收率为21.8%。与往年相比,接收率逐年走低。小编发现基于因果推理(Causal Inference)相关的paper很多,因果推理,以及反事实等相关理论方法在CV、NLP都开始有相关的应用了,这个前沿的方法受到了很多人的关注。

为此,这期小编继续为大家奉上ICML 2020必读的六篇因果推理(Causal Inference)相关论文——隐私攻击、因果效应估计、分层贝叶斯模型、反事实交叉验证、协变量表示

ICML 2020 Accepted Paper: https://proceedings.icml.cc/book/2020

ICML2020GNN_Part1、KDD2020GNN_Part1、CVPR2020SGNN、CVPR2020GNN_Part2、CVPR2020GNN_Part1、WWW2020GNN_Part1、

1、Alleviating Privacy Attacks via Causal Learning

作者:Shruti Tople, Amit Sharma, Aditya V. Nori

摘要:机器学习模型,特别是深度神经网络,已经被证明容易受到隐私攻击,例如成员关系推理(membership inference),在这种情况下,对手可以检测到数据点是否被用于训练黑盒模型。当模型用于预测不可知数据分布时,这样的隐私风险就会加剧。为了减轻隐私攻击,我们展示了基于输入特征和结果之间因果关系预测模型的好处。我们首先表明,使用因果结构学习的模型可以更好地推广到不可知数据(unseen data),特别是在与训练分布具有不同分布的数据上。基于这一性质,我们建立了因果关系和隐私之间的理论联系:与关联模型相比,因果模型提供了更强的区分隐私保证,并且对成员关系推理攻击具有更强的鲁棒性。在模拟的Bayesian networks和colored-MNIST数据集上的实验表明,在不同的测试分布和样本大小情况下,关联模型的攻击准确率高达80%,而因果模型的攻击准确率接近随机猜测。

网址: https://proceedings.icml.cc/paper/2020/file/4a11654ad1e1e48352252859ff3032a0-Paper.pdf

2、Causal Effect Estimation and Optimal Dose Suggestions in Mobile Health International Conference on Machine Learning

作者:Liangyu Zhu, Wenbin Lu, Rui Song

摘要:在这篇文章中,我们提出了新的结构性嵌套模型(nested models)来估计基于移动健康数据的持续治疗的因果效应(causal effects)。为了找到优化患者预期短期结果的治疗方案,我们将加权lag-K advantage定义为价值函数。然后将最优干预方案为使价值函数最大化的方案。我们的方法对数据生成过程施加了最小的假设。对估计的参数进行统计推断。模拟研究和在Ohio type 1 diabetes 数据集的应用表明,我们的方法可以为移动健康数据的剂量建议提供有意义的见解。

网址: https://proceedings.icml.cc/paper/2020/file/286674e3082feb7e5afb92777e48821f-Paper.pdf

3、Causal Inference using Gaussian Processes with Structured Latent Confounders

作者:Sam Witty, Kenta Takatsu, David Jensen, Vikash Mansinghka

摘要:潜在干扰因子(confounders)-影响介入选择和结果的一些未观察到的变量-可能会对因果效应的估计产生偏差。在某些情况下,这些干扰因子在不同的观察中是相同的,例如,一所学校的所有学生除了单独接受任何教育的干预外,还受到学校文化的影响。本文展示了如何对具有这种结构的潜在干扰因子进行建模,从而改进对因果效应的估计。主要创新点是分层贝叶斯模型、带结构干扰因子的高斯过程(Gaussian processes with structured latent confounders, GP-SLC)和基于椭圆切片采样(elliptical slice sampling)的蒙特卡罗推理(Monte Carlo inference)算法。GP-SLC提供个体治疗效果的原则性贝叶斯不确定性估计,对与干扰因子、协变量、介入和结果相关的函数形式的假设最少。本文还证明,对于线性函数形式,考虑潜在干扰因子中的结构对于因果效应的渐近相容估计是充分的。最后,本文证明了GP-SLC与等级线性模型( multi-level linear models)和贝叶斯加性回归树(Bayesian additive regression trees)等广泛使用的因果推理技术相比具有竞争力或更高的精确度。基准数据集包括 Infant Health 和Development Program ,以及显示温度变化对整个新英格兰全州能源消耗的影响的数据集。

网址: https://proceedings.icml.cc/paper/2020/file/56bd37d3a2fda0f2f41925019c81011d-Paper.pdf

4、Counterfactual Cross-Validation:Stable Model Selection Procedure for Causal Inference Models

作者:Yuta Saito, Shota Yasui

摘要:本文研究了conditional average treatment effect(CATE)预测中的模型选择问题。与以往的研究工作不同,我们的重点是保持候选CATE预测器性能的等级顺序,以便能够准确和稳定地选择模型。为此,我们分析了模型的性能排名问题,并制定了指导方针,以获得更好的评价指标。然后,我们提出了一种新的度量方法,它可以高置信度地识别CATE预测器的性能排名。实验评估表明,我们的度量方法在模型选择和超参数调整任务上都优于现有的度量方法。

网址: https://proceedings.icml.cc/paper/2020/file/dc6a70712a252123c40d2adba6a11d84-Paper.pdf

5、DeepMatch: Balancing Deep Covariate Representations for Causal Inference Using Adversarial Training

作者:Nathan Kallus

摘要:当丰富的协变量(covariates)和复杂的关系需要灵活的神经网络建模时,我们研究了从观测数据中进行因果推理时,如何平衡其协变量表示。在这种情况下,诸如倾向于加权和匹配/平衡之类的标准方法分别会因为未正确校正的倾向网络和不合适的协变量表示而失败。我们提出了一种基于权重和判别器网络的对抗训练的新方法,可以有效地解决这种方法上的差距。这是经过新的理论特征和基于合成与临床数据的经验结果证明的,这些结果表明在这种挑战性的环境中如何解决因果分析。

网址: https://proceedings.icml.cc/paper/2020/file/6e3197aae95c2ff8fcab35cb730f6a86-Paper.pdf

6、Efficient Identification in Linear Structural Causal Models with Auxiliary Cutsets

作者:Daniel Kumor, Carlos Cinelli, Elias Bareinboim

摘要:我们提出了一种新的多项式时间(polynomial-time)算法来识别线性因果模型中的结构系数,它包含了以前最先进的方法,统一了几种不同的识别方法。在这些结果的基础上,我们开发了一种识别线性系统中总因果效应的程序。

网址: https://proceedings.icml.cc/paper/2020/file/b635f9e3c038855c68c2704f08caeee1-Paper.pdf

成为VIP会员查看完整内容
0
77

有几个主要的主题贯穿全书。这些主题主要是对两个不同类别的比较。当你阅读的时候,很重要的一点是你要明白书的不同部分适合什么类别,不适合什么类别。

统计与因果。即使有无限多的数据,我们有时也无法计算一些因果量。相比之下,很多统计是关于在有限样本中解决不确定性的。当给定无限数据时,没有不确定性。然而,关联,一个统计概念,不是因果关系。在因果推理方面还有更多的工作要做,即使在开始使用无限数据之后也是如此。这是激发因果推理的主要区别。我们在这一章已经做了这样的区分,并将在整本书中继续做这样的区分。

识别与评估。因果效应的识别是因果推论所独有的。这是一个有待解决的问题,即使我们有无限的数据。然而,因果推理也与传统统计和机器学习共享估计。我们将主要从识别因果效应(在第2章中,4和6)之前估计因果效应(第7章)。例外是2.5节和节4.6.2,我们进行完整的例子估计给你的整个过程是什么样子。

介入与观察。如果我们能进行干预/实验,因果效应的识别就相对容易了。这很简单,因为我们可以采取我们想要衡量因果效应的行动,并简单地衡量我们采取行动后的效果。观测数据变得更加复杂,因为数据中几乎总是引入混杂。

假设。将会有一个很大的焦点是我们用什么假设来得到我们得到的结果。每个假设都有自己的框来帮助人们注意到它。清晰的假设应该使我们很容易看到对给定的因果分析或因果模型的批评。他们希望,清晰地提出假设将导致对因果关系的更清晰的讨论。

https://www.bradyneal.com/causal-inference-course

成为VIP会员查看完整内容
0
148

对因果推理的简明和自成体系的介绍,在数据科学和机器学习中越来越重要。

因果关系的数学化是一个相对较新的发展,在数据科学和机器学习中变得越来越重要。这本书提供了一个独立的和简明的介绍因果模型和如何学习他们的数据。在解释因果模型的必要性,讨论潜在的因果推论的一些原则,这本书教读者如何使用因果模型:如何计算干预分布,如何从观测推断因果模型和介入的数据,和如何利用因果思想经典的机器学习问题。所有这些主题都将首先以两个变量的形式进行讨论,然后在更一般的多元情况下进行讨论。对于因果学习来说,二元情况是一个特别困难的问题,因为经典方法中用于解决多元情况的条件独立不存在。作者认为分析因果之间的统计不对称是非常有意义的,他们报告了他们对这个问题十年来的深入研究。

本书对具有机器学习或统计学背景的读者开放,可用于研究生课程或作为研究人员的参考。文本包括可以复制和粘贴的代码片段、练习和附录,其中包括最重要的技术概念摘要。

首先,本书主要研究因果关系推理子问题,这可能被认为是最基本和最不现实的。这是一个因果问题,需要分析的系统只包含两个可观测值。在过去十年中,作者对这个问题进行了较为详细的研究。本书整理这方面的大部分工作,并试图将其嵌入到作者认为对研究因果关系推理问题的选择性至关重要的更大背景中。尽管先研究二元(bivariate)案例可能有指导意义,但按照章节顺序,也可以直接开始阅读多元(multivariate)章节;见图一。

第二,本书提出的解决方法来源于机器学习和计算统计领域的技术。作者对其中的方法如何有助于因果结构的推断更感兴趣,以及因果推理是否能告诉我们应该如何进行机器学习。事实上,如果我们不把概率分布描述的随机实验作为出发点,而是考虑分布背后的因果结构,机器学习的一些最深刻的开放性问题就能得到最好的理解。
成为VIP会员查看完整内容
0
319
小贴士
相关VIP内容
专知会员服务
56+阅读 · 4月5日
专知会员服务
45+阅读 · 1月21日
专知会员服务
53+阅读 · 2020年10月31日
专知会员服务
77+阅读 · 2020年9月8日
专知会员服务
148+阅读 · 2020年8月25日
专知会员服务
115+阅读 · 2020年7月27日
相关论文
Zahra Mousavi Kouzehkanan,Eslam Tavakoli,Arezoo Alipanah
0+阅读 · 5月12日
Eitetsu Ken,Masaki Natori,Kenji Tojo,Kazuki Watanabe
0+阅读 · 5月11日
Shuai Lin,Pan Zhou,Xiaodan Liang,Jianheng Tang,Ruihui Zhao,Ziliang Chen,Liang Lin
14+阅读 · 2020年12月22日
CSKG: The CommonSense Knowledge Graph
Filip Ilievski,Pedro Szekely,Bin Zhang
17+阅读 · 2020年12月21日
Wenhao Yu,Chenguang Zhu,Zaitang Li,Zhiting Hu,Qingyun Wang,Heng Ji,Meng Jiang
7+阅读 · 2020年10月9日
UniViLM: A Unified Video and Language Pre-Training Model for Multimodal Understanding and Generation
Huaishao Luo,Lei Ji,Botian Shi,Haoyang Huang,Nan Duan,Tianrui Li,Xilin Chen,Ming Zhou
19+阅读 · 2020年2月15日
Stephen Bonner,Flavian Vasile
17+阅读 · 2018年8月3日
Top