图神经网络与因果推理

最新推荐文章于 2024-07-25 22:08:23 发布
最新推荐文章于 2024-07-25 22:08:23 发布
阅读量2.9k 收藏 13
点赞数
分类专栏： 图神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44370695/article/details/108015726
版权

传统的因果推理基于线性结构方程模型：
在这里插入图片描述

深度因果推理模型：
在这里插入图片描述
这是基于图神经网络的模型。

利用扁粉自动编码机来学习模型：
在这里插入图片描述

其中

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

网络结构：
在这里插入图片描述

因果推理模型为：
在这里插入图片描述

欧阳AI锋
关注
专栏目录
因果推理与因果学习原理与代码实战案例讲解
程序员光剑
07-21 767
因果推理与因果学习原理与代码实战案例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来 因果推理是人类智能的核心之一，
论文浅尝 | ExCAR: 一个事件图知识增强的可解释因果推理框架
开放知识图谱
02-17 2793
笔记整理：朱珈徵，天津大学硕士链接：https://aclanthology.org/2021.acl-long.183.pdf动机因果推理旨在理解因果之间的一般因果相关性，对于各种人工智...
图神经网络及认知推理-唐杰-清华大学
qq_42383283的博客
02-21 670
图神经网络及认知推理-唐杰-清华大学 图神经网络及认知推理 无处不在的网络 数据特点：数据规模大 从机器学习的角度，网络结构任务： 网络嵌入/网络表示学习与图神经网络相关研究: 网络表示学习/图嵌入 给定网络学习网络中每个节点的表示，使用低维向量在低维空间表示节点，具有相似标签的节点得到的节点表示更靠近。 网络表示学习为什么比较难？ 现在的深度学习工具箱是为简单的序列或规则的网格设计的 CNNs用于固定大小的图像/网格 RNNs或word2vec用于文本/序列 但是网络中的结构更复杂！ 复
基于图神经网络的推理研究
04-25
近年来，图神经网络(GNNs)已经成为解决大规模图数据问题的有效工具。然而，GNN并没有显式地将先前的逻辑规则合并到模型中，并且可能需要为目标任务添加许多标记示例。来自佐治亚理工学院和蚂蚁金服的Le Song给了关于图神经网络推理的精炼讲解。探讨了神经网络与广义网络的结合，并利用图神经网络进行广义网络的变分推理。
在图神经网络（GNN）上进行关系推理的新架构
最新发布
声纹感知 洞察芯声
07-25 942
本文重新审视了使用GNNs进行推理的想法，展示了只要提供正确的归纳偏差，系统泛化是可能的，基于此提出了一种新的 GNN 架构，将节点嵌入视为知识状态，并利用前向和反向模型来模拟所有可能的组合顺序，从而实现系统推理。
因果推理相关的图神经网络研究
数据派THU
12-25 1086
本文介绍两篇因果推理相关的图神经网络研究工作。一、OOD推荐系统下的因果表征学习本文介绍了什么是推荐系统中的Out-of-Distribution(OOD)问题，并从因果的角度提出了一种解决OOD问题的表示学习方式。文章链接：https://dl.acm.org/doi/pdf/10.1145/3485447.35122511 简介现代推荐系统的用户表征都是从其历史交互中学习出来的，这就存在着用户...
图神经网络中的因果学习
chumingqian的博客
12-24 949
关于公平性，因果方法，如因果干预[17]，可以通过将GNNs暴露于事实和反事实图中，减轻节点敏感属性的偏见。通过捕获局部特征和全局图结构信息，GNNs在低维表示中保留了丰富的知识，极大地促进了一系列下游应用，例如生物信息学[2]、推荐系统[3]、知识表示[4]、[5]、人才分析[6]、城市计算[7]、[8]、[9]等。从图数据中指定感兴趣的因果变量，根据某些领域知识阐明这些变量之间的因果关系，并选择适当的因果学习方法来获取因果知识以提高下游应用中的可信度，这是具有挑战性的[21]、[24]、[26]。
Reinforced Causal Explainer for Graph Neural Networks 图神经网络的增强因果解释器
feijianguoer的博客
03-22 525
考虑到SA的解释，与单个的N-C键相比，它与碳-碳的结合（C=C）键没有带来关于模型预测的独特信息，因为仅实现了预测准确性的边际改进。这是至关重要的，以指定的边缘，是似是而非的因果关系的模型结果，而不是与结果无关或虚假相关的边缘[21]，[22]。类梯度信号w.r.t.图结构[13]，[14]，[15]：例如，SA [13]采用GNN的损失w.r.t.邻接矩阵作为边得分，而Grad-CAM [14]在GNN上扩展。我们在三个数据集上进行了广泛的实验，显示了我们的RC解释器w.r. t的有效性。
去伪存真：因果约束下的图神经网络泛化
Paper weekly
02-10 1299
写在篇首图神经网络（GNN）是在各种图数据应用上强有力的深度学习算法。其基本学习范式可以归纳为：在训练节点或图上训练图神经网络参数，然后利用训练好的图神经网络预测节点或者图的标签。保证这种...
【时间序列】从 ICLR 2022 投稿中了解图神经网络和时间序列相结合的研究趋势...
AI蜗牛车
11-02 4397
这篇文章从 ICLR 2022 的论文投稿中学习下 「时间序列」 和 「图神经网络」 相结合的研究趋势，主要包含较为个人关注的两个研究领域融合；然后总结下研究趋势。首先介绍下 ICLR 会...
认知推理：从图表示学习和图神经网络的最新理论看AI的未来
04-17
为了推进国内在该领域的发展，由中国中文信息学会社会媒体处理专委会和北京智源人工智能研究院联合主办的“图神经网络在线研讨会 2020”于 3 月 29 日下午召开，邀请了宋国杰、沈华伟、唐杰、石川四位国内著名学者介绍图表示学习和图神经网络的最新理论进展和应用探索。
AAAI 2020最新「因果推理表示学习」【附122页ppt和最新综述论文】.zip
02-12
近年来，将传统的处理效果估计方法(如匹配估计器)和先进的表示学习方法(如深度神经网络)相结合的一个新兴的研究方向在广阔的人工智能领域引起了越来越多的关注。来自Georgia、Buffalo、阿里巴巴与Virginia的学者做了因果推理表示学习报告，在本教程中，介绍用于治疗效果估计的传统和最先进的表示学习算法。关于因果推论，反事实和匹配估计的背景也将被包括。我们还将展示这些方法在不同应用领域的应用前景。
拉普拉斯算子属于卷积方法吗_谱聚类方法推导和对拉普拉斯矩阵的理解
weixin_39619478的博客
11-23 277
谱聚类可以看作是基于图的一种聚类方法，在各大论坛有许多介绍谱聚类算法的博客，但是在看的过程中，总是会存在各种各样的困惑，尤其是拉普拉斯矩阵的引入等一些列问题上介绍的不是很清楚。这里基于 Ncut 文章中的推导，给出谱聚类算法的一个整体的推导过程和一些重要细节。首先有必要简单介绍一些图的基本知识，为了尽可能的简单，我们仅仅介绍必要的概念：无向图定义：定义图无向图 ，其中， 为图中的顶点， 为...
ICLR 2022 | 从因果不变性视角探讨图神经网络的分布外泛化鲁棒性
Paper weekly
03-09 1368
©作者 |吴齐天单位 |上海交通大学研究方向 |图神经网络论文题目：Handling Distribution Shifts on Graphs: An Invariance Per...
NeurIPS 2022 | 基于解耦因果子结构学习的去偏差图神经网络
Paper weekly
10-10 1254
©作者 |范少华单位| 北京邮电大学博士生来源| 北邮GAMMA Lab论文标题：Debiasing Graph Neural Networks via Learning Disentangled Causal Substructure论文链接：http://shichuan.org/doc/140.pdf代码和数据：https://github.com/BUPT-GAMMA/DisC近日，...
图神经网络综述 Survey on Graph Neural Network
daisyxyr的博客
04-16 1077
图神经网络综述 Survey on Graph Neural Network 摘要：近几年来，将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注.图神经网络的出现使其在上述任务中取得了重大突破，比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用.图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题，对节点之间的依赖关系进行建模，从而能够很好地处理图结构数据.鉴于此，系统综述了图神经网络模型以及应用.首先从谱域、空间域和池化3方面对图卷积神经网络进行了阐述.
因果推断简介
种花途
10-24 1945
机器学习基本上可以算是统计机器学习问题，也就是通过大量的数据学习到一些潜在的数据之间的特征，从而得到数据与数据之前的相关关系，进而进行目标检测、追踪、知识问答等处理。很自然的一个问题就是，既然机器学习当前主流是以统计规律得到的相关关系为主，那么我们为什么要研究因果关系呢？因为辛普森悖论 (Yule-Simpson’s Paradox)所揭示的现象，统计规律有时候不一定是正确的，所以我们需要建立起数据之间的因果联系，这也是因果推理在机器学习中存在的价值。
基于深度元学习的因果推断新方法
paper_reader的博客
10-28 2261
阅读更多，欢迎关注公众号：论文收割机（paper_reader） 因为排版问题，很多图片和公式无法直接显示，欢迎关注我们的公众号点击目录来阅读原文。 Bengio, Yoshua, et al. "A meta-transfer objectivefor learning to disentangle causal mechanisms."ICLR(2020). 引言 因果推断是统计学领域的重要技术，主要通过观测到的统计量判断各个变量之间的因果关系。该技术在众多学科，尤其是...
因果推断-学习入门路径
Debug_Snail的专栏
08-16 618
由于普通的AI（神经网络）只能预测相关性，不能判断因果，这会严重限制模型的用途。因此向大家隆重推荐以下的文章和包，用于【因果推断】的场景
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值