-
题名外生干预与可逆流驱动的弱监督因果表征学习模型
- 1
-
-
作者
张起荣
王彪
-
机构
琼台师范学院信息科学技术学院
-
出处
《计算机应用研究》
北大核心
2025年第11期3340-3347,共8页
-
基金
海南省自然科学基金资助项目(624MS073)。
-
文摘
因果表征学习是实现复杂系统可解释可干预的关键技术。当前研究存在线性假设难以捕捉高维数据中的非线性因果依赖、标注数据稀缺限制模型泛化能力且缺乏可控干预与反事实推理能力的问题。借助外生变量在因果联系解释、反事实推理支持方面的重要作用,构建了一种外生干预与可逆流驱动的弱监督因果表征学习模型。首先,引入外生变量模拟干预场景,通过因果图直观呈现因果路径与依赖关系,实现可控干预与反事实推理。其次,采用可逆流模型捕捉非线性因果依赖,突破线性假设限制;在此基础上引入动态弱监督对齐机制,利用少量标注数据约束因果因子语义可识别性,缓解标注数据稀缺问题。实验结果表明,在Causal3DIdent数据集上,模型取得了显著的性能提升,因果因子识别准确率达到94.5%(较基线模型提升8.8%),干预均方误差降低至0.015(下降47.7%)。此外,在Pendulum-v1等数据集上,该模型同样表现出较好的性能,尤其在面向标签数据稀缺情况下仍能实现有效因果推断,展现出良好的泛化能力与应用前景。
-
关键词
因果表征学习
外生干预
可逆流模型
弱监督学习
变分自编码器
-
Keywords
causal representation learning(CRL)
exogenous intervention
reversible flow model
weakly-supervised lear-ning
variational AutoEncoder
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于可逆神经网络的图像超分辨率重建算法
被引量：1
- 2
-
-
作者
王平
李彬
张彤
王佳
-
机构
国防科技大学电子科学学院
长沙学院电子信息与电气工程学院
-
出处
《计算机工程与科学》
CSCD
北大核心
2023年第3期478-488,共11页
-
基金
国家自然科学基金(62201092)。
-
文摘
近年来,卷积神经网络在单幅图像超分辨率重建SISR任务中展现出良好的效果,已成为该领域内应用最广泛的算法,但该算法未能有效弱化一对多的病态问题和减小重建图像解空间范围,因此对图像重建质量提升的效果越来越有限,目前已面临瓶颈问题,很难有较大的性能提升。为有效减小重建图像的解空间,提升重建图像性能,提出了基于可逆神经网络的图像超分辨率重建算法,通过模型设计,将图像退化和重建过程设计为一个可逆变换过程,有效约束了图像解空间,可逆卷积结构的应用使算法获得最合适的通道排布规则,从而有效提升了模型性能。在主流数据集上的实验结果表明,提出的算法相对于现有的SISR算法在图像重建精度上有了极大的提升,获得了最佳的PSNR和SSIM。
-
关键词
超分辨重建
可逆流模型
像素重排
可逆耦合
-
Keywords
super-resolution reconstruction
countercurrent model
pixel rearrangement
invertible coupling
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
