详细内容或原文请订阅后点击阅览
采访Aneesh Komanduri：因果关系和生成建模
在本访谈系列中，我们会遇到一些AAAI/Sigai博士联盟参与者，以了解有关他们的研究的更多信息。在最新的采访中，我们听到了Aneesh Komanduri的研究，他参与的一些项目，未来的计划以及他在AAAI/Sigai博士财团的经验。你能告诉我们一个[…]
来源:ΑΙhub在本访谈系列中，我们会遇到一些AAAI/Sigai博士联盟参与者，以了解有关他们的研究的更多信息。在最新的采访中，我们听到了Aneesh Komanduri的研究，他参与的一些项目，未来的计划以及他在AAAI/Sigai博士财团的经验。
AAAI/SIGAI博士联盟您能告诉我们一些有关您的博士学位的信息 - 您在哪里学习，您的研究主题是什么？
嗨！我是Aneesh，是阿肯色大学的最后一年博士学位学生，Xintao Wu博士告知我。我的研究在于因果推断，表示学习和生成建模的交集，更加关注人工智能中的可信度和解释性。我的论文专门探讨了两个核心领域：因果表示学习和反事实生成建模。
因果表示学习 反事实生成建模因果表示学习（CRL）旨在从高维数据中发现高级，可解释的，因果关系的因素。例如，考虑一个机器人臂与对象相互作用。 CRL没有将变量视为统计独立的变量，而是建模其因果关系（例如，机器人臂的位置因果关系决定对象运动）。 CRL试图捕获这种机制。
因果表示学习（CRL）反事实生成建模是通过通过学习的因果机制来产生假设情景的。例如，在医疗环境中，如果我们可以独立改变患者的年龄或大脑体积，可能会想模拟大脑MRI的外观。这种反事实分析使我们能够更好地理解和探测复杂系统（如医学成像）中的因果关系。
反事实生成建模您能否概述您在博士学位期间到目前为止进行的研究？
在这里Aneesh与他的海报在AAAI 2025。
，