CaTs与DAGs:结合有向无环图与变换器及全连接神经网络以实现因果约束预测
发表于: 。本研究解决了人工神经网络(ANNs)在遵循因果结构方面的不足,提出了因果全连接神经网络(CFCNs)和因果变换器(CaTs),旨在在有向无环图(DAG)下进行建模。这一新方法不仅保持了传统神经网络的强大函数逼近能力,同时提高了模型在推理时的鲁棒性、可靠性和可解释性,为神经网络在真实场景中的应用开辟了新的可能。
本研究解决了人工神经网络(ANNs)在遵循因果结构方面的不足,提出了因果全连接神经网络(CFCNs)和因果变换器(CaTs),旨在在有向无环图(DAG)下进行建模。这一新方法不仅保持了传统神经网络的强大函数逼近能力,同时提高了模型在推理时的鲁棒性、可靠性和可解释性,为神经网络在真实场景中的应用开辟了新的可能。