0 题目
Causal deconvolution by algorithm generative models
期刊:Nature Articles
1 背景
目前的机器学习和深度学习方法在处理归纳推理、解释和因果关系方面存在不足
不同对象通过不同生成机制相互作用产生复杂行为:
• 根据特定度量的数据点间距离最小化——k-means/k-medoids
• 利用概率分布,回归等技术实现线性分离/分离——SVM/机器学习/DNN
• 基于图论属性实现分离——GNN
只寻求数据共享特征,忽略因果作用机制
假设研究对象共享统计,拓扑或代数特征,所以可以通过相同方式/来源生成
2 问题
如何更好地处理分层结构的数据,实现归纳推理?
3 现状与GAP
3.1 现状
(1)因果关系,熵迁移,介入主义
(2)计算力学,算法概率和经验分布,算法概率结合决策理论