不依赖虚假相关性的学习预测因素涉及建立因果关系。但是，学习这样的表示非常具有挑战性。因此，我们制定了从高维数据中学习因果表示的问题，并通过合成数据研究因果恢复。这项工作引入了贝叶斯因果发现的潜在变量解码器模型BCD，并在轻度监督和无监督的环境中进行实验。我们提出了一系列合成实验，以表征因果发现的重要因素，并表明将已知的干预靶标用作标签有助于无监督的贝叶斯推断，对线性高斯添加噪声潜在结构性因果模型的结构和参数。
translated by 谷歌翻译
由于数据有限和非识别性，观察性和介入数据的因果发现是具有挑战性的：在估计基本结构因果模型（SCM）时引入不确定性的因素。基于这两个因素引起的不确定性选择实验（干预措施）可以加快SCM的识别。来自有限数据的因果发现实验设计中的现有方法要么依赖于SCM的线性假设，要么仅选择干预目标。这项工作将贝叶斯因果发现的最新进展纳入了贝叶斯最佳实验设计框架中，从而使大型非线性SCM的积极因果发现同时选择了介入目标和值。我们证明了对线性和非线性SCM的合成图（ERDOS-R \'enyi，breetr cable）以及在\ emph {intiLico}单细胞基因调节网络数据集的\ emph {inyeare scms的性能。
translated by 谷歌翻译
目前，针对沉浸式增强现实（AR）应用程序设计用户界面（UI）的指南有限。设计师必须反思他们为台式机和移动应用程序设计UI的经验，并猜测UI将如何影响AR用户的性能。在这项工作中，我们介绍了一个预测模型，用于确定用户对目标UI的性能，而无需参与者参与用户研究。该模型对参与者对客观绩效指标的反应进行了培训，例如消耗耐力（CE）和使用层次下拉菜单的指向时间（PT）。通过从词汇数据库WordNet中包含的单词中随机和动态创建层次下拉菜单和相关用户任务来确保菜单深度和上下文的巨大变化。通过在模型培训期间合并用户的非语言标准性能WAIS-IV，可以减少主观性能偏见。菜单的语义信息是使用通用句子编码器编码的。我们介绍了一项用户研究的结果，该研究表明，提出的预测模型在预测具有各种认知能力的用户的层次菜单方面具有很高的准确性。据我们所知，这是预测为沉浸式AR应用设计UI的第一项工作。
translated by 谷歌翻译