期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到8篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
因果启发的深度域泛化旋转机械故障诊断
1
作者 郭畅 赵志斌 +2 位作者 张兴武 刘一龙 陈雪峰 《振动.测试与诊断》 北大核心 2025年第1期154-160,206,共8页
针对设备工况变化导致基于深度学习(deep learning,简称DL)的故障诊断性能退化的问题,提出采用因果表示网络(causal representation net,简称CRNet)用于在变工况下实现高性能故障诊断,即域泛化(domain generalization,简称DG)故障诊断... 针对设备工况变化导致基于深度学习(deep learning,简称DL)的故障诊断性能退化的问题,提出采用因果表示网络(causal representation net,简称CRNet)用于在变工况下实现高性能故障诊断,即域泛化(domain generalization,简称DG)故障诊断。首先,假设DG的结构因果模型,并基于此模型和独立因果机制(independent causal model,简称ICM)原理,得到因果驱动的诊断需求来消除特征间的关联;其次,利用随机傅里叶特征(random Fourier features,简称RFF)将模型提取的特征映射到高维空间,再利用高维空间中的特征构造衡量特征间关联的协方差矩阵,以矩阵非对角值为目标,学习一组权重对样本加权,消除特征间的广义关联;最后,以梯度为引导,屏蔽部分高梯度特征,增强特征包含的诊断信息。锥齿轮传动实验台的实验结果表明,CRNet具备最优的DG性能。 展开更多
关键词 智能诊断 深度学习 因果表示 域泛化
在线阅读 下载PDF
引入因果发现学习的跨领域知识泛化方法
2
作者 李珊珊 赵清杰 +4 位作者 朱文龙 阮锦佳 于铁军 马少辉 孙保胜 《智能系统学报》 北大核心 2025年第4期1033-1045,共13页
领域泛化是将多个已知领域的知识泛化到未知目标领域的技术。然而,现有领域泛化模型在提取图像特征时,容易受高维噪声的影响,导致提取的图像特征与标签之间无法建立稳定的因果关系。因此,受跨域不变因果机制的启发,本文通过引入因果发... 领域泛化是将多个已知领域的知识泛化到未知目标领域的技术。然而,现有领域泛化模型在提取图像特征时,容易受高维噪声的影响,导致提取的图像特征与标签之间无法建立稳定的因果关系。因此,受跨域不变因果机制的启发,本文通过引入因果发现学习技术,提高跨域知识泛化的准确性。提取图像的低维潜在特征并对其进行变分推理,保留图像基本信息的同时实现特征变量相互独立;通过重构潜在特征变量与类别标签之间的因果有向无环图(directed acyclic graphs, DAG),发现与类别标签有稳定因果结构的潜在特征变量;引入反事实对比正则化模块,利用数据生成过程中的反事实方差和不变性进行因果推断,生成因果不变表示。为验证本文方法,在DomainBed框架下的5个数据集和SWAD框架下的4个数据集上进行了测试。实验表明,与现有的领域泛化方法相比,本文方法在性能和适应性方面有较大提高。 展开更多
关键词 迁移学习 领域泛化 图像分类 因果关系 因果表示学习 变分推理 因果发现 反事实对比
在线阅读 下载PDF
外生干预与可逆流驱动的弱监督因果表征学习模型
3
作者 张起荣 王彪 《计算机应用研究》 北大核心 2025年第11期3340-3347,共8页
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... 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。 展开更多
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
在线阅读 下载PDF
基于DIL的遥感影像修复方法
4
作者 蒋雨佳 李杭琪 +3 位作者 孙宝丹 张心一 江俊慧 巩建光 《计算机科学》 北大核心 2025年第S2期334-338,共5页
目前,遥感影像已广泛应用于环境监测、灾害管理等领域。但在影像采集过程中,传感器故障或外部环境等因素会导致遥感影像质量下降,进而影响其应用效果。DIL(Distortion Invariant representation Learning)算法通过对不同的失真程度与失... 目前,遥感影像已广泛应用于环境监测、灾害管理等领域。但在影像采集过程中,传感器故障或外部环境等因素会导致遥感影像质量下降,进而影响其应用效果。DIL(Distortion Invariant representation Learning)算法通过对不同的失真程度与失真类型进行建模并利用因果关系中的“后门”准则推导出因果网络进行图像修复,具有较强的泛化能力。因此,将DIL算法应用于遥感影像修复领域,旨在充分利用已采集到的遥感影像数据,提高遥感影像的修复质量,更好地在环境监测、灾害管理等领域应用。此外,还在DIL算法的基础上对训练数据进行了归一化处理操作,以保证训练数据的变量唯一,使其能更好地处理遥感影像的修复问题。在实验部分,使用DIL算法对遥感影像分别进行了去噪、去雨、去模糊,实验结果表明DIL算法在遥感影像修复方面的效果要优于Noise2Noise,FFDNet,DnCNN,Restormer算法,显著提升了图像修复质量。 展开更多
关键词 DIL算法 归一化处理 因果关系 遥感图像修复
在线阅读 下载PDF
因果关系表示增强的跨领域命名实体识别
5
作者 刘小明 曹梦远 +2 位作者 杨关 刘杰 王杭 《计算机工程与应用》 CSCD 北大核心 2024年第18期176-188,共13页
跨领域命名实体识别在现实应用中,尤其在目标领域数据稀缺的小样本场景中具有重要价值。然而,现有方法主要是通过特征表示或模型参数共享实现的跨领域实体能力迁移,未充分考虑由于样本选择偏差而引起的虚假相关性问题。为了解决跨领域... 跨领域命名实体识别在现实应用中,尤其在目标领域数据稀缺的小样本场景中具有重要价值。然而,现有方法主要是通过特征表示或模型参数共享实现的跨领域实体能力迁移,未充分考虑由于样本选择偏差而引起的虚假相关性问题。为了解决跨领域中的虚假相关性问题,提出一种因果关系表示增强的跨领域命名实体识别模型,将源域的语义特征表示与目标域的语义特征表示进行融合,生成一种增强的上下文语义特征表示。通过结构因果模型捕捉增强后的特征变量与标签之间的因果关系。在目标域中应用因果干预和反事实推断策略,提取存在的直接因果效应,从而进一步缓解特征与标签之间的虚假相关性问题。该方法在公共数据集上进行了实验,实验结果得到了显著提高。 展开更多
关键词 跨领域命名实体识别 迁移学习 因果关系 结构因果模型 语义特征表示
在线阅读 下载PDF
可信机器学习的公平性综述 被引量：29
6
作者 刘文炎 沈楚云 +5 位作者 王祥丰 金博 卢兴见 王晓玲 查宏远 何积丰 《软件学报》 EI CSCD 北大核心 2021年第5期1404-1426,共23页
人工智能在与人类生活息息相关的场景中自主决策时,正逐渐面临法律或伦理的问题或风险.可信机器学习是建立安全人工智能系统的核心技术,是人工智能领域的热门研究方向,而公平性是可信机器学习的重要考量.公平性旨在研究机器学习算法决... 人工智能在与人类生活息息相关的场景中自主决策时,正逐渐面临法律或伦理的问题或风险.可信机器学习是建立安全人工智能系统的核心技术,是人工智能领域的热门研究方向,而公平性是可信机器学习的重要考量.公平性旨在研究机器学习算法决策对个人或群体不存在因其固有或后天属性所引起的偏见或偏爱.从公平表征、公平建模和公平决策这3个角度出发,以典型案例中不公平问题及其危害为驱动,分析数据和算法中造成不公平的潜在原因,建立机器学习中的公平性抽象定义及其分类体系,进一步研究用于消除不公平的机制.可信机器学习中的公平性研究在人工智能多个领域中处于起步阶段,如计算机视觉、自然语言处理、推荐系统、多智能体系统和联邦学习等.建立具备公平决策能力的人工智能算法,是加速推广人工智能落地的必要条件,且极具理论意义和应用价值. 展开更多
关键词 可信人工智能 可信机器学习 公平性 统计公平 因果公平 公平表征 公平建模 公平决策
在线阅读 下载PDF
基于因果建模的强化学习控制:现状及展望 被引量：7
7
作者 孙悦雯 柳文章 孙长银 《自动化学报》 EI CAS CSCD 北大核心 2023年第3期661-677,共17页
基于因果建模的强化学习技术在智能控制领域越来越受欢迎.因果技术可以挖掘控制系统中的结构性因果知识,并提供了一个可解释的框架,允许人为对系统进行干预并对反馈进行分析.量化干预的效果使智能体能够在复杂的情况下(例如存在混杂因... 基于因果建模的强化学习技术在智能控制领域越来越受欢迎.因果技术可以挖掘控制系统中的结构性因果知识,并提供了一个可解释的框架,允许人为对系统进行干预并对反馈进行分析.量化干预的效果使智能体能够在复杂的情况下(例如存在混杂因子或非平稳环境)评估策略的性能,提升算法的泛化性.本文旨在探讨基于因果建模的强化学习控制技术(以下简称因果强化学习)的最新进展,阐明其与控制系统各个模块的联系.首先介绍了强化学习的基本概念和经典算法,并讨论强化学习算法在变量因果关系解释和迁移场景下策略泛化性方面存在的缺陷.其次,回顾了因果理论的研究方向,主要包括因果效应估计和因果关系发现,这些内容为解决强化学习的缺陷提供了可行方案.接下来,阐释了如何利用因果理论改善强化学习系统的控制与决策,总结了因果强化学习的四类研究方向及进展,并整理了实际应用场景.最后,对全文进行总结,指出了因果强化学习的缺点和待解决问题,并展望了未来的研究方向. 展开更多
关键词 强化学习控制 因果发现 因果推理 迁移学习 表示学习
在线阅读 下载PDF
STCTN:一种基于时域偏倚校正与空域因果传递的时空因果表示学习方法 被引量：1
8
作者 邓攀 刘俊廷 +4 位作者 王晓 贾晓丰 赵宇 汪慕澜 戴星原 《计算机学报》 EI CAS CSCD 北大核心 2023年第12期2535-2550,共16页
从时空数据中有效地提取特征表示是时空数据挖掘的基础.现有时空表示学习方法过于关注时空序列中的统计相关性,易受虚假相关性的影响,难以提取无偏、鲁棒的特征表示.本文基于结构因果模型建模时空数据的生成过程,分析观测数据中虚假相... 从时空数据中有效地提取特征表示是时空数据挖掘的基础.现有时空表示学习方法过于关注时空序列中的统计相关性,易受虚假相关性的影响,难以提取无偏、鲁棒的特征表示.本文基于结构因果模型建模时空数据的生成过程,分析观测数据中虚假相关性的成因,提出了一种基于时域偏倚校正与空域因果传递的时空因果表示学习方法.首先基于后门调整消除时域的虚假相关性,然后构建因果传递网络消除空域的虚假相关性,最后利用下游特征解码器将因果特征表示应用于下游任务中.在两个真实数据集上的实验表明,本文所提时空表示学习方法有效避免了虚假相关性的干扰,增强了模型的稳定性,使其在两个下游预测任务中对数据稀疏节点的预测误差分别降低了3%和10%. 展开更多
关键词 时空表示学习 结构因果模型 虚假相关性 后门调整 因果关系
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部