DeepMind、Mila 和 Google brain 支持因果图归纳的泛化
寻找系统的因果结构和关系是一个难题，它影响着从医学到生物学和经济学的许多科学学科。 研究人员通常使用称为因果贝叶斯网络 (CBN) 的图形形式来生成最能代表这些关系的图形。 然而，针对此问题的无监督基于分数的方法可能会导致过高的计算负担。
DeepMind 和 Mila-University of Montreal 以及 Google Brain 的研究团队的新论文 Learning to induce Causal Structure 挑战了传统的因果方法。 他们提出了一种神经网络，可以通过使用合成图的监督训练来学习观察或干预数据的图结构。 团队开发的因果结构归纳法 (CSIvA) 有效地将因果归纳转化为黑盒问题。 它还可以很好地推广到新的合成图和自然图。
该团队总结了他们的主要贡献：
来源和详细信息：