Compact Representations of Extended Causal Models
Cornell University（康奈尔大学）；California Institute of Technology（加州理工学院）
朱迪亚·珀尔是第一个使用因果模型提出实际因果关系定义的人。许多作者认为，对实际因果关系的充分说明不仅要诉诸因果结构，而且要考虑到正常性。在早期的工作中，我们使用扩展的因果模型提供了实际因果关系的定义，其中包括因果结构和常态的信息。扩展的因果模型可能非常复杂。在本文中，我们将展示如何实现扩展因果模型的紧凑表示。
2013-09-05 cs.AI
What caused what? A quantitative account of actual causation using dynamical causal networks
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Tufts University（塔夫茨大学）
实际因果关系涉及的问题是“什么导致了什么？“考虑一个由相互作用的元素组成的系统中的两个状态之间的转换，比如一个人工神经网络，或者一个生物大脑回路。哪种突触组合导致神经元放电？哪些图像特征导致分类器误解图片？即使详细了解系统的因果网络，其元素，它们的状态，连接性和动态，也不能自动提供一个简单的答案，“什么导致了什么？”“问题。基于图形模型的实际因果关系的反事实描述，与系统干预相结合，已经证明了在解决符合直觉因果判断的特定问题案例方面的初步成功。在这里，我们从一组因果关系的基本要求（实现，组成，信息，集成和排除），并制定了严格的，定量的实际因果关系，一般适用于离散动力系统。我们提出了一个正式的框架来评估这些因果关系的要求，是基于系统的干预和分区，并考虑所有的反事实的状态转换。该框架通过识别和量化连接两个连续系统状态的所有实际原因和影响的强度来提供对过渡的完整因果解释。最后，我们研究了几个典型的案例和悖论的因果关系，并表明，他们可以照亮所提出的框架，量化实际的因果关系。
2019-01-09 cs.AI math.ST stat.TH
Sufficient and necessary causation are dual
CISPA, Saarland University（萨尔大学 CISPA 亥姆霍兹信息安全中心）；Saarland Informatics Campus（萨尔信息学园区）
因果关系是自希波克拉底以来哲学争论的焦点。最近的工作定义了实际的因果关系方面的珍珠/哈尔彭的因果关系框架，形式化的必要原因（IJCAI'15）。这启发了安全领域的因果关系概念（CSF'15），这可能令人惊讶，而不是形式化的充分原因。我们提供了必要原因和充分原因之间的明确关系。
2017-10-25 cs.AI cs.LO
On the Semantics of Primary Cause in Hybrid Dynamic Domains
University of Regina（里贾纳大学）
本文在混合行动理论框架下提出了两种初级原因的定义，通过贡献形式化因果关系，并证明其等价性。
2026-02-16 cs.AI
Moral reinforcement learning using actual causation
Technical University of Denmark（丹麦技术大学）
强化学习系统将在越来越大的程度上做出对人类福祉产生重大影响的决策，因此，这些系统做出符合我们对道德良好行为的期望的决策至关重要。道德上的善通常被定义为因果关系，如一个人的行为是否确实导致了特定的结果，以及该结果是否可以被预期。我们提出了一种在线强化学习方法，该方法在代理不应该造成伤害的约束下学习策略。这是通过使用实际因果关系理论定义原因，并在代理人的行为是不良结果的实际原因时将责任归咎于代理人来实现的。我们对一个玩具伦理困境进行了实验，在这个玩具伦理困境中，奖励函数的自然选择会导致明显不受欢迎的行为，但我们的方法学习了一种避免成为有害行为原因的政策，证明了我们方法的合理性。允许智能体在观察因果道德差异（如责备）的同时进行学习，为学习更符合我们道德判断的政策提供了可能性。
2022-05-17 cs.AI cs.CY cs.LG
Reasoning about Actual Causes in Nondeterministic Domains -- Extended Version
University of Regina（里贾纳大学）；York University（约克大学）
本文研究非确定性领域中的实际因果推理，基于非确定性情境演算提出“必然导致”和“可能导致”概念，并扩展回归方法以支持对这些实际因果关系概念的推理。
2024-12-21 cs.AI
Combining Probabilistic, Causal, and Normative Reasoning in CP-logic
KU Leuven – University of Leuven（鲁汶大学）
近年来，对实际因果关系的一个适当的正式定义的探索--即，在具体的观察中所体现的因果关系，而不是一般的因果关系，已经达到了令人印象深刻的程度。在某种程度上，这是由于洞察力，这一概念在许多不同的领域，如法律理论，工程，医学，伦理学等，由于这种多样性的应用，一些研究人员已经从一个单一的理想化的定义转移到一个更务实的，基于上下文的帐户的焦点起着根本性的作用。例如，Halpern和Hitchcock最近的工作借鉴了关于人们因果判断的实证研究，提出了一个分级和上下文敏感的因果关系概念。虽然我们赞同他们的许多观察，但他们仅限于定性排序，在更复杂的例子中会遇到麻烦。因此，我们的目标是改进他们的方法，通过使用CP逻辑（因果概率逻辑）的形式语言，以及由当前作者使用它开发的定义实际因果关系的框架。首先，我们将他们的想法重新表述为我们的定量，概率设置，之后，我们修改它以适应更大类的例子。此外，我们介绍了统计和规范的考虑之间的正式区别。
2015-03-03 cs.AI
Action Languages Based Actual Causality for Computational Ethics: a Sound and Complete Implementation in ASP
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；National Institute of Informatics（国立信息学研究所）；École Normale Supérieure（巴黎高等师范学院）；Université PSL（巴黎文理研究大学）；Collège de France（法兰西公学院）
本文提出将适用于行动语言的actual causation定义（Wright的NESS测试形式化）完备可靠地翻译为逻辑编程，使智能体能在ASP中处理复杂因果关系，从而拓展计算伦理学可处理的伦理情境。
2023-05-24 cs.AI
Thinking About Causation: A Causal Language with Epistemic Operators
University of Helsinki（赫尔辛基大学）；ILLC, Universiteit van Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究所）；University of Bergen（卑尔根大学）
本文提出了一个正式的框架建模的因果关系和（定性）认知推理的相互作用。为了这个目的，我们扩展了因果模型的概念与代理的认知状态的表示。在对象语言方面，我们添加了运算符来表达知识和观察新信息的行为。我们提供了一个健全的和完整的公理化的逻辑，并讨论了这个框架的因果团队语义的关系。
2020-10-30 cs.AI cs.LO
Causes and Explanations: A Structural-Model Approach, Part I: Causes
我们提出了一个新的定义的实际原因，使用结构方程模型反事实。我们表明，该定义产生一个合理的和优雅的因果关系，处理好的例子，造成了其他定义的问题，并解决了主要困难，在传统的帐户。
2005-11-07 cs.AI
Correlation to Causation: A Causal Deep Learning Framework for Arctic Sea Ice Prediction
University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）；University of Colorado Boulder（科罗拉多大学博尔德分校）
针对传统深度学习依赖相关性导致泛化与可解释性受限的问题，提出结合MVGC与PCMCI+因果发现算法的混合深度学习框架，利用43年北极海冰与海洋大气数据提取因果特征，有效提升了多预见期海冰预测的准确性与可解释性。
2025-03-03 cs.AI cs.LG
A Causal Analysis of Harm
University of Tübingen（图宾根大学）；LMU（慕尼黑大学）；causaLens；King’s College London（伦敦国王学院）；Cornell University（康奈尔大学）
随着自主系统迅速变得无处不在，越来越需要一个法律和监管框架来解决此类系统何时以及如何伤害某人的问题。在哲学文献中曾有几次试图界定伤害的定义，但没有一次证明能够处理所提出的许多例子，导致一些人建议应放弃伤害的概念，“代之以更规范的概念”。由于伤害通常是造成的，这些定义大多涉及某种程度的因果关系。然而，令人惊讶的是，他们都没有使用因果模型和他们可以表达的实际因果关系的定义。在本文中，我们正式定义了一个定性的伤害概念，该概念使用因果模型，并基于众所周知的实际因果关系定义（Halpern，2016）。我们的定义的关键新颖之处在于，它是基于对比因果关系，并使用一个默认的效用，实际结果的效用进行比较。我们表明，我们的定义是能够处理的例子，从文献中，并说明其重要性，推理的情况下，涉及自治系统。
2023-01-19 cs.AI
A Computationally Feasible Framework for Causal Probabilistic Explanation
Basis Research Institute（贝西斯研究所）；Sorbus AI（索巴斯人工智能公司）；Massachusetts Institute of Technology（麻省理工学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；HouseIQ（豪斯IQ公司）
该研究针对现有因果解释工具的局限性，提出概率因果影响（PCI）框架，将可解释性转化为概率因果模型的估计问题，可高效计算且符合因果逻辑，经多类案例验证有效。
2026-09-04 cs.AI
From knowledge-based to data-driven modeling of fuzzy rule-based systems: A critical reflection
Paderborn University（帕德博恩大学）
本文简要阐述了（应用）模糊逻辑的发展，在过去的几十年中，即补充，甚至取代传统的基于知识的方法，以模糊规则为基础的系统设计的数据驱动之一。有人认为，经典的基于规则的建模范式实际上是更适合于知识为基础的方法，它最初的设想，而不太倾向于数据驱动的模型设计。阻止模糊（基于规则）系统在大规模应用中被利用的一个重要原因是规则库的扁平结构，以及模糊规则的局部性质和它们表达变量之间复杂依赖关系的能力有限。这激发了模糊系统建模的替代方法，其中功能依赖关系可以更灵活，更复杂的层次结构。
2017-12-02 cs.AI
Distribution-consistency Structural Causal Models
Kuaishou Inc.（快手公司）；Shanghai AI Laboratory（上海人工智能实验室）；Indiana University（印第安纳大学）
本文针对潜在结果和结构因果模型在反事实建模中的“退化反事实问题”，提出分布一致性假设与DiscoSCMs框架，引入一致性概率参数，并给出因果阶梯的理论结果，显著增强了反事实建模能力。
2024-03-23 cs.AI math.ST stat.TH
Causal Modeling With Infinitely Many Variables
Cornell University（康奈尔大学）
结构方程模型（SEM）可能是最常用的因果关系建模框架。然而，正如我们所展示的，天真地将这个框架扩展到无限多个变量，这是必要的，例如，对动力系统建模，遇到了几个问题。我们引入了广义随机场模型（GSEMs），它是随机场模型的一种灵活的推广，直接指定了干预的结果，其中（1）微分方程系统可以以自然和直观的方式表示，（2）某些自然情况，根本不能用随机场模型表示，可以很容易地表示，（3）随机场模型中实际因果关系的定义基本上没有变化。
2021-12-16 cs.AI cs.LO
RLTutor: Reinforcement Learning Based Adaptive Tutoring System by Modeling Virtual Student with Fewer Interactions
Waseda University（早稻田大学）；Waseda Research Institute for Science and Engineering（早稻田科学与工程研究院）
教育领域的一个主要挑战是提供复习时间表，以适当的间隔向每个学生呈现所学的项目，以便随着时间的推移保留记忆。近年来，人们尝试将项目评论表述为序列决策问题，以实现基于学生知识状态的自适应教学。此前有报道称，强化学习可以帮助实现数学模型的学生学习策略，保持较高的记忆率。然而，使用强化学习的优化需要大量的交互，因此它不能直接应用于实际的学生。在这项研究中，我们提出了一个优化教学策略的框架，通过构建一个虚拟的学生模型，同时最大限度地减少与实际教学目标的互动。此外，我们进行了一项实验，考虑到实际的指令使用的数学模型，并确认该模型的性能是与传统的教学方法。我们的框架可以直接替代人类学生实验中使用的数学模型，我们的结果可以作为理论教学优化和电子学习系统中的实际应用之间的缓冲。
2021-07-31 cs.AI cs.CY cs.LG
Modeling the Feedback of AI Price Estimations on Actual Market Values
Florida Institute of Technology（佛罗里达理工学院）
本研究建模人工智能价格估算（如Zillow）对实际市场价值的反馈循环，通过重复博弈模拟验证了限制估算可用性可缓解反馈，并确认估算误差与通胀压力相关。
2024-03-13 cs.AI cs.CE cs.CY
