阿涛e-优快云博客

原创因果关系和因果模型简要综述

如果存在从A到B的路径，即使路径中包含其他节点，A也被称为B的“祖先”，B是A的“后代”。A和B是高度相关，但是A和B并不存在因果关系，A和B都是C引发，在类似这种情况下，C为A和B的共同原因。其关注的重点是变量之间的因果关系，即一个变量是如何影响另一个变量的。DAG与联合概率密度之间的连接强度比较弱（即，联合概率密度无法体现出DAG中的因果关系），但是通过干预，可以体现出概率中的因果关系。其本质为：要确定效果E和潜在原因C之间的因果关系，必须至少比较两个概率（一个与C的存在有关，一个与C的缺席有关）。

2024-07-05 01:14:19 2545

原创论文解读2：Causal Incremental Graph Convolution for Recommender System Retraining（因果增量图卷积在推荐系统再训练的应用）

为了实现在推荐系统中GCN模型高效的重新训练，其关键在于从邻域聚合中分离旧图，同时保留长期偏好信号并刷新非活动节点。该文章使用因果增量图卷积方法，即，在LightGCN模型中增加图增量卷积（IGC）和碰撞效应蒸馏（CED）。证明了IGC和CED的有效性和合理性。未来可以在IGC中应用不同的模型参数更新技术，以及在更多图学习应用中测试IGC和CED。

2024-06-27 22:51:44 1742

原创论文解读：Toward Causal Representation Learning（向因果表示学习）

讨论了因果模型和统计模型等不同层次的模型，这些模型都建立在一系列涉及建模和数据收集的假设上面。说明了因果推断的理论基础知识，并强调了独立机制假设及相关概念（如不变性）为因果学习提供了有力的偏差，以及如何从观察数据和干预数据中学习因果关系。讨论了如何将因果框架应用于机器学习领域，如半监督学习、领域泛化以及对抗鲁棒性。未来研究领域将包括：①学习大规模的非线性因果关系：1、在什么条件下可以学习非线性因果关系；2、哪些训练框架最有利于利用机器学习方法进行扩展；

2024-06-27 15:23:55 1561

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

原创 因果关系和因果模型简要综述

原创 论文解读2：Causal Incremental Graph Convolution for Recommender System Retraining（因果增量图卷积在推荐系统再训练的应用）

原创 论文解读：Toward Causal Representation Learning（向因果表示学习）

空空如也

空空如也

原创因果关系和因果模型简要综述

原创论文解读2：Causal Incremental Graph Convolution for Recommender System Retraining（因果增量图卷积在推荐系统再训练的应用）

原创论文解读：Toward Causal Representation Learning（向因果表示学习）