CausalCity：面向因果发现与推理的具主体性的复杂仿真环境
人工智能
2021-06-28 v1 计算机视觉与模式识别
机器学习
摘要
进行因果与反事实推理的能力是人类智能的核心属性。能够执行此类推理的决策系统有潜力具备更强的泛化能力与可解释性。仿真通过提供系统性地改变参数（例如混杂因素）并生成反事实情景下结果示例的能力，推动了该领域的最先进技术。然而，在自动驾驶与车辆导航等多智能体场景中模拟复杂的时序因果事件具有挑战性。为助力解决此问题，我们提出一个高保真仿真环境，专为在安全关键语境下开发因果发现与反事实推理算法而设计。我们工作的核心在于引入“主体性（agency）”，从而可通过高层定义简单便捷地构建复杂场景。随后车辆以主体性运作以完成这些目标，意味着仅在必要时才需控制底层行为。我们使用三种最先进的方法进行实验以建立基线并彰显该环境的效用。最后，我们指出未来工作的挑战与机遇。
引用
@article{arxiv.2106.13364,
title = {CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning},
author = {Daniel McDuff and Yale Song and Jiyoung Lee and Vibhav Vineet and Sai Vemprala and Nicholas Gyde and Hadi Salman and Shuang Ma and Kwanghoon Sohn and Ashish Kapoor},
journal= {arXiv preprint arXiv:2106.13364},
year = {2021}
}