- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
ICLR2022:Elements of Reasoning:Objects, Structure, and Causality
对象、概念和事件等离散抽象是我们感知世界、关联其中的碎片以及解释其因果结构的能力的基础。以对象为中心的表示学习和因果机器学习的研究界在很大程度上独立地追求了一个类似的议程，为机器学习模型配备更结构化的表示和推理能力。尽管它们的语言不同，但这两个字段的运作假设是，与整体/黑盒表示相比，结构化模型将提高系统概括性、分布转移的鲁棒性、下游学习效率和可解释性。然而，两个社区通常从相反的方向处理这个问题。关于因果关系的工作通常假设已知的（真实）分解为因果因素，并专注于推断和利用它们之间的相互作用。另一方面，以对象为中心的表示学习通常从非结构化输入开始，旨在将有用的分解推断为有意义的因素，到目前为止，对它们的交互关注较少。
32310编辑于 2022-11-22 - 来自专栏AI粉嫩特攻队
用python做时间序列预测八：Granger causality test(格兰杰因果检验)
如果想知道一个序列是否对预测另一个序列有用，可以用Granger causality test(格兰杰因果检验)。 Granger causality test的思想 如果使用时间序列X和Y的历史值来预测Y的当前值，比仅通过Y的历史值来预测Y的当前值得到的误差更小，并且通过了F检验，卡方检验，则X对Y的预测是有一定帮助的 了解了Granger causality test的思想之后会发现，其实Granger causality test最多能推断出X对Y的预测是有一定帮助的，至于是否能说X和Y是因果关系，则不一定。 我们使用关于澳大利亚药物销售的数据集做预测，并利用Granger causality检测‘月份’这个序列是否对数据集的预测用。 month'] = df.date.dt.month grangercausalitytests(df[['value', 'month']], maxlag=2) 输出结果： Granger Causality
7.1K10发布于 2020-06-11 - 来自专栏AI科技评论
张含望：大模型的研究离不开因果关系（Causality）丨GAIR 2023
张含望认为，对于当前的大模型来说，如果想要真正突破一些最底层逻辑上的问题，因果关系（Causality）是一条必经之路。 在他看来，在多模态模型或大语言模型的研究中，偏见（bias）是常见问题。 以下为张含望教授的现场演讲内容，雷峰网作了不改变原意的编辑及整理： 张含望：前面的嘉宾都在讲大语言模型（large language model），那我换一下口味，讲一讲计算机视觉中的因果关系（Causality 在我看来，对于当前的大模型来说，如果想要真正突破一些最底层逻辑上的问题，因果关系（Causality）是一条必经之路。它可能不是一个完整解法，但最起码是一块敲门砖。 1 为什么需要因果关系（Causality）？ 三四年前，我们就非常在意计算机视觉问题中的偏见（bias），而到了做多模态模型或大语言模型的时候，这些bias依然存在。
60830编辑于 2023-09-07 - 来自专栏hsdoifh biuwedsy
Assessing correlations
identifying correlations is useful for data wrangling/analysis Discover relation One step towards discovering causality detect pairs of variables that might have some relationship Correlation does not necessarily imply causality correlation is not the same as causation Discover relationships One step towards discovering causality one is trying to predict Can hint at potential causal relationships Does not imply causality
37930发布于 2021-05-19 - 来自专栏深度学习进阶
AIOps根因定位（二）：微服务架构的异常检测与根因定位
Check（Service Level Objective） CauseInfer: Automated End-to-End Performance Diagnosis with Hierarchical Causality CauseInfer: Automatic and distributed performance diagnosis with hierarchical causality graph in large Markov Models. 4.2.3 基于因果图的分析 CauseInfer: Automated End-to-End Performance Diagnosis with Hierarchical Causality CauseInfer: Automatic and distributed performance diagnosis with hierarchical causality graph in large Localizing Failure Root Causes in a Microservice through Causality Inference.
4.6K43发布于 2021-09-15 - 来自专栏CreateAMind
最新Tractability易处理的因果推理
reported recently in [15] to facilitate model-based supervised learning but it can be interpreted in a causality Our goal is to provide a causality-oriented exposure to these new results and to speculate on how they research around neural causal models (NCM) recently gained traction, demanding a tighter integration of causality sriraam.natarajan}@utdallas.edu Abstract While probabilistic models are an important tool for studying causality
45130编辑于 2022-11-22 - 来自专栏脑电信号科研科普
大脑中的结构连接、功能连接和有效连接
此外，我们在利用不同脑区记录得到的信号计算功能连接时，如果使用的方法不是如皮尔森相关系数之类的不带方向的指标，而是基于格兰杰因果关系（Granger Causality）的因果指标，那么得到的功能连接也属于有效连接 注意，如果采用的指标具有方向性，如基于格兰杰因果关系（Granger Causality）的因果指标，那么得到的功能连接也属于有效连接。功能连接的强弱一般用指标值的大小反映。 同样，如果采用的指标具有方向性，如基于格兰杰因果关系（Granger Causality）的因果指标，那么得到的功能连接也属于有效连接。 coherence)；5)传递熵(transfer entropy)，这个指标具有方向性，属于有效连接；6)相锁值(phase-locking value)；7)Granger因果分析(Granger causality
4.5K00发布于 2020-11-28 - 来自专栏智能运维解决方案
根因分析相关论文整理
Localizing failure root causes in a microservice through causality inference[C]//2020 IEEE/ACM 28th International A causality mining and knowledge graph based method of root cause diagnosis for performance anomaly in
1.5K43发布于 2021-06-03 - 来自专栏人工智能前沿讲习
【NSR特别专题】机器学习：中国的最新进展与未来展望
“因果关系”（Causality）在解释、预测、决策等方面起着重要作用，因此从数据中学习因果知识是很有价值的。 在《学习因果关系和基于因果性的学习》（Learning causality and causality-related learning）中，张坤等作者总结了他们在该方向上的最新研究进展。
1.1K10发布于 2020-05-14 - 来自专栏HsuHeinrich
比较（三）利用python绘制词云图
Users may have particular analytical tasks, such as making comparisons or understanding causality, and the design principle of the graphic (i.e., showing comparisons or showing causality) follows the task
35010编辑于 2024-06-18 - 来自专栏时间序列论文阅读
充分利用未来已知信息：DAG 用双因果结构把 TSF-X 时序预测推到新高度
痛点 3：时序预测里存在两类“结构相似性”，但过去的方法没把它用起来时间维度的相似性（Similar Temporal Causality）：外生变量也在随时间演化，“历史外生→未来外生”的依赖结构，与 这也解释了 DAG 的名称与思路：它借用“因果（causality）”的视角，不是为了给出可解释因果图，而是为了引入一种更稳健的学习偏置，减少伪相关风险。 论文的消融把“只用历史内生”“只用未来外生”“两者结合”“再加 temporal causality / channel causality”“最后双因果全量”拆得很清楚，读者可以直接对照：提升到底来自信息源 Temporal Causality（时间因果）：沿时间维度的依赖结构；论文强调“历史外生→未来外生”的机制与“历史内生→未来内生”的演化相似。 Channel Causality（通道/变量因果）：沿变量维度的依赖结构；论文强调“历史外生→历史内生”的关系可迁移到“未来外生→未来内生”。
9200编辑于 2026-01-21 - 来自专栏机器之心
从零基础到高级掌握因果关系，这6本书就够了
书籍免费获取地址：https://library.oapen.org/bitstream/id/056a11be-ce3a-44b9-8987-a6c68fce8d9b/11283.pdf 书籍 4《Causality 原文链接：https://aleksander-molak.medium.com/yes-six-causality-books-that-will-get-you-from-zero-to-advanced
1K31编辑于 2023-03-29 - 来自专栏Rust语言学习交流
【Rust日报】 2019-10-26 filite：简单，轻巧且独立的 pastebin 文件共享服务
Github clock：Rust实现的逻辑时钟 此crate包括： Vector时钟实现 基于“Scalable and Accurate Causality Tracking for Eventually
58240发布于 2019-10-31 - 来自专栏PingCAP的专栏
DM 是如何处理 DML 的丨TiDB 工具分享
binlog，通过 expression-filter 配置 3.对 DML 执行进行优化 Compactor：将对同一条记录（主键相同）的多个操作合并成一个操作，通过 syncer.compact 开启 Causality INSERT + DELETE => DELETE UPDATE + UPDATE => UPDATE UPDATE + DELETE => DELETE DELETE + INSERT => UPDATE Causality Causality 采用一种类似并查集的算法，对每一个 DML 进行分类，将相互关联的 DML 分为一组。 Worker Count 上文中我们知道 Causality 可以通过冲突检测算法将 binlog 分成多个 group 并发地执行到下游，DM 通过设置 worker-count，控制并发的数量。
63710编辑于 2022-04-28 - 来自专栏数据派THU
论文清单：一文梳理因果推理在自然语言处理中的应用（附链接）
Causality for NLP Reading List https://github.com/zhijing-jin/Causality4NLP_Papers 3. Causal Reading Group https://github.com/fulifeng/Causal_Reading_Group 4. awesome-causality-algorithms https://github.com/rguo12/awesome-causality-algorithms 因果工具 1. //github.com/waste-wood/e-care 数据集概览： 数据集示例： 综述类文章 A Review of Dataset and Labeling Methods for Causality 参考文献： [1] A Review of dataset and labeling methods for causality extraction https://aclanthology.org/
1.4K21编辑于 2022-10-10 - 来自专栏AI算法与图像处理
CVPR2022论文速递2022.7.1！最新成果demo展示
by Simulating Multimodality on Point Clouds 论文/Paper: http://arxiv.org/pdf/2206.14971 代码/Code: None Causality
25710编辑于 2022-09-02 - 来自专栏深度学习自然语言处理
论文清单：一文梳理因果推理在自然语言处理中的应用
Causality for NLP Reading List https://github.com/zhijing-jin/Causality4NLP_Papers 3. Causal Reading Group https://github.com/fulifeng/Causal_Reading_Group 4. awesome-causality-algorithms https://github.com/rguo12/awesome-causality-algorithms 因果工具 1. //github.com/waste-wood/e-care 数据集概览： 数据集示例： 综述类文章 A Review of Dataset and Labeling Methods for Causality 参考文献 [1] A Review of dataset and labeling methods for causality extraction https://aclanthology.org/
1.5K21编辑于 2022-09-09 - 来自专栏小小挖掘机
一步步解析Attention is All You Need！
dropout_rate = 0, is_training = True, causality if causality: diag_vals = tf.ones_like(outputs[0,:,:]) tril = tf.contrib.linalg.LinearOperatorTriL dropout_rate = 0, is_training = True, causality is_training=is_training, causality is_training=is_training, causality
2.2K31发布于 2018-12-26 - 来自专栏拓端tecdat
R语言EG(Engle-Granger)两步法协整检验、RESET、格兰杰因果检验、VAR模型分析CPI和PPI时间序列关系|附代码数据
df1 = 1, df2 = 186, p-value = 0.5948 4、 建立VAR模型、格兰杰因果检验 建立VAR模型给出输出结果 ## $Granger ## ## Granger causality 5.1234, df1 = 2, df2 = 364, p-value = 0.006392 ## ## ## $Instant ## ## H0: No instantaneous causality
29910编辑于 2023-05-10 MVGC工具箱在神经科学实证数据中设计与应用
因果网络推断算法 集成条件格兰杰因果检验（Conditional Granger Causality）与信息理论准则（BIC/AIC），实现拓扑结构动态优化。 var_models_cf = mvreg(cross_freq_data, 'WindowSize', 0.25);% 计算相位对幅度的因果强度causal_strength = compute_phase_amp_causality
25410编辑于 2025-10-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号