将因果性与神经混沌学习集成：提出的方法与研究议程

通过神经网络实现的深度学习已通过提供用于复杂任务（如目标检测/分类和预测）的方法， revolutionized machine learning。然而，基于深度神经网络的架构由于其统计性质且无法捕捉训练数据中的因果结构，已开始产生递减的收益。深度学习的另一个问题是其高能耗，从可持续性角度来看并不理想。因此，正在考虑两种受人脑功能启发的替代方法以解决这些问题。一种方法是因果学习，考虑到数据集中各项之间的因果关系，预计有助于最小化深度神经网络所学表征中普遍存在的虚假关联。另一种方法是神经混沌学习，是一种近期发展，灵感来自生物神经网络（脑/中枢神经系统）中神经元固有的非线性混沌发放。两种方法都显示出优于仅使用深度学习的改进结果。为此，在本位论文中，我们研究如何将因果学习和神经混沌学习方法整合在一起以获得更好结果，尤其是在包含关联数据的领域。我们提出了这种整合以增强分类、预测和强化学习的方法。我们还提出了一组需要调查此整合实现的研究问题。