多模态高维因果学习及其应用

从物理机制和数据驱动出发,基于贝叶斯因果图网络、动力干预和反事实假设等不同因果模态之间的一致性表征,构建多博弈、多驱动、多维度的竞争性因果学习新范式.从干预改变因果关系流、依赖图网络抽象变量之间的因果关系以及假设反事实的复用因果机制,通过全新的方式将不同的机制和变量组合起来,以一种循序渐进的方式进行抽象、表示、推理和规划,从而将原因和结果紧密联系起来,以便从因果性、预测性和智能性等角度形成对世界运作方式的更好理解.最后,将多模态学习的因果知识重新整合形成混合正交神经因果网络,充分利用多模态一致性因果关系中的动作、力和干预行为及可复用的因果机制,大幅度提升正交神经因果网络的分布外泛化性能,对赋予现有深度学习在归纳推理以及神经网络的更强解释性等方面具有重要指导意义.

竞争性因果学习及其应用

因果关系的研究一直紧密围绕人类探索世界和发现世界的主题,传统的仅仅研究事物之间的统计相关关系作用有限,很难满足经济社会快速发展的需要.文章将自监督学习和对抗学习结合,利用图网络模型和系统动力学的反演模型,从大规模无监督数据中挖掘潜在的隐含信息,基于对比约束,构建物理驱动与数据驱动的统一框架,然后采用极大极小博弈策略学习不同因果模态的一致性表征,从而逼近真正的因果关系,为揭示潜藏在数据背后的内在规律提供了有力的分析工具.文章将非随机因果学习思想融入机器学习框架,对克服现有深度学习在抽象、推理及神经网络可解释性等方面的不足具有重要指导意义.