视觉因果特征学习

我们提供了关于行为的视觉因果的严格定义，该定义广泛适用于人类、动物、神经元、机器人及其他感知系统中由视觉驱动的行为。我们的框架将标准的因果学习理论推广到需要从微观变量构建因果变量的情境。我们证明了因果粗化定理，该定理使我们能够以最少的实验代价从观测数据中获取因果知识。该定理将机器学习中识别与目标行为相关但未必导致该行为的图像特征的标准推断技术联系起来。最后，我们提出了一种主动学习方案，用于学习一个操作函数，该函数对图像执行最优操作以自动识别目标行为的视觉因果。我们在基于合成数据与真实数据的实验中展示了我们的推断与学习算法。