机器学习和图形因果关系这两个领域分别出现和发展。然而,现在这两个领域的交叉发展受到越来越多的兴趣。在本文中,我们回顾了因果推理的基本概念,并将它们与机器学习的关键开放问题联系起来,包括迁移和泛化,从而分析因果关系如何对现代机器学习研究做出贡献。这也适用于相反的方向: 我们注意到,大多数因果关系的研究都是从给定因果变量的前提开始的。因此,人工智能和因果关系的一个核心问题是因果表示学习,即从低级观察中发现高级因果变量。最后,我们描述了机器学习的一些因果关系,并在这两个领域的交叉点提出了关键研究领域。

成为VIP会员查看完整内容
90

相关内容

【Yoshua Bengio】因果表示学习,附视频与72页ppt
专知会员服务
75+阅读 · 2021年1月7日
Yoshua Bengio最新《深度学习》MLSS2020教程,附104页PPT及视频
专知会员服务
125+阅读 · 2020年7月10日
【综述】金融领域中的深度学习,附52页论文下载
专知会员服务
161+阅读 · 2020年2月27日
深度学习视频中多目标跟踪:论文综述
专知会员服务
88+阅读 · 2019年10月13日
基于姿态的人物视频生成【附PPT与视频资料】
人工智能前沿讲习班
32+阅读 · 2019年1月28日
深度学习时代的图模型,清华发文综述图网络
全球人工智能
6+阅读 · 2018年12月24日
论文浅尝 | 用可微的逻辑规则学习完成知识库推理
开放知识图谱
13+阅读 · 2018年7月5日
Hierarchical Deep Multiagent Reinforcement Learning
Arxiv
8+阅读 · 2018年9月25日
Arxiv
5+阅读 · 2018年5月22日
Arxiv
6+阅读 · 2018年3月28日
Arxiv
3+阅读 · 2018年3月22日
VIP会员
微信扫码咨询专知VIP会员