Identifying Independencies in Causal Graphs with Feedback
Judea Pearl, Rina Dechter
我们表明，d -分离准则构成了一个有效的测试条件独立的关系，诱导的反馈系统，涉及离散变量。
We show that the d -separation criterion constitutes a valid test for conditional independence relationships that are induced by feedback systems involving discrete variables.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
An Algorithm for Deciding if a Set of Observed Independencies Has a Causal Explanation
在以前的论文[Pearl和Verma，1991]中，我们提出了一种从独立性信息中提取因果影响的算法，其中因果影响被定义为与数据一致的所有最小因果模型中存在有向弧。在本文中，我们解决的问题，决定是否存在一个因果模型，解释所有观察到的依赖性和独立性。形式上，给定条件独立语句的列表M，需要判定是否存在与M完全一致的有向无环图（dag）D，即M中的每个语句，而不是其他语句，都通过D中的dseparation反映出来。我们提出并分析了一个有效的算法，测试存在这样的一天，并产生一个，如果它存在。
Learning from Pairwise Marginal Independencies
我们考虑表示一组变量之间的成对边缘独立性的图（例如，正态数据的协方差矩阵的零项）。我们的特点有向无环图（DAG），忠实地解释了一组给定的独立性，并推导出算法，有效地枚举这样的结构。我们的结果映射出一组给定的成对边缘独立关系的忠实因果模型的空间。这使我们能够在不使用条件独立性检验的情况下显示因果推理的可能性。
On the Logic of Causal Models
本文探讨了有向无环图（DAG）作为条件独立关系的表示的作用。我们发现，DAG提供多项式的声音和完整的推理机制，从一个给定的因果关系，这样的关系推断条件独立的关系。因此，d-分离，一个图形的标准，用于确定独立的DAG，发现更有效的独立性，然后任何其他标准。此外，我们采用条件独立性的Armstrong属性来表明，DAG所显示的依赖关系是内在一致的，即对于每个DAG D，存在一些概率分布P，它体现了D中显示的所有条件独立性。
Identifying Macro Conditional Independencies and Macro Total Effects in Summary Causal Graphs with Latent Confounding
本文研究了具有潜在混杂的摘要因果图，明确区分了宏观与微观条件独立性及总效应，证明了d-分离和do-演算在识别宏观条件独立性和宏观总效应时的可靠性与完备性，并给出了宏观总效应不可识别性的图特征化。
Recovering Causal Structures from Low-Order Conditional Independencies
从数据中学习因果模型的一个常见障碍是随机变量之间的高阶条件独立（CI）关系难以估计。由于CI测试的条件集的低阶可以准确地执行，即使是少量的观察，一个合理的方法来确定因果结构是基于低阶CI。最近的研究已经证实，例如，在稀疏真因果模型的情况下，即使从零阶和一阶条件独立性中学习到的结构也会产生模型的良好近似。然而，一个具有挑战性的任务是提供方法，忠实地解释一组给定的低阶CI。在本文中，我们提出了一个算法，对于一个给定的条件独立的顺序小于或等于$k$，其中$k$是一个小的固定数，计算一个忠实的图形表示给定的集合。我们的研究结果完成和推广了以前的工作，从成对的边缘独立性学习。此外，它们能够改进0-1图模型，例如，该模型在基因组网络的估计中大量使用。
Causal models have no complete axiomatic characterization
马尔可夫网络和贝叶斯网络是嵌入在概率模型中的依赖关系的有效图形表示。众所周知，马尔可夫网络（称为图同构）捕获的独立性具有有限的公理化特征。然而，本文表明，贝叶斯网络（称为因果模型）捕获的独立性没有公理化，甚至使用可数许多霍恩或析取子句。这是因为因果模型的子独立模型可能不是因果的，而图同构在子模型下是封闭的。
Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies
针对含隐变量因果模型测试中条件独立性（CIs）列举耗时呈指数级的问题，本文提出c-分量局部马尔可夫性质（C-LMP），并开发了首个能在含隐变量因果图中以多项式延迟列举CIs的算法，实验验证了其实用性。
Optimizing Causal Orderings for Generating DAGs from Data
提出了一种利用因果输入表的概念从数据中生成有向无环图结构的算法。该算法利用非常类似于电弧反转的操作来操纵变量的排序。仅当操作之后的DAG至少表示操作之前的DAG所表示的独立性时，才应用操作，直到不能从DAG中移除更多弧。最后得到的DAG是一个最小的l-映射。
On the Testable Implications of Causal Models with Hidden Variables
只有当模型对控制生成数据的概率分布施加约束时，才能测试因果模型的有效性。在存在不可测变量的情况下，因果模型可能会施加两种类型的约束：条件独立性（通过d -分离准则的AS READ）和功能性约束（没有通用的准则）.本文提供了一种识别功能性约束的系统方法，从而方便了因果模型的检验和从数据中推断这类模型的任务.
Causal Networks: Semantics and Expressiveness
依赖性知识的形式“x是独立的y一旦z是已知的”总是服从四个图形公理，例子包括概率和数据库的依赖性。通常，这样的知识可以有效地表示与图形结构，如无向图和有向无环图（DAG）。在本文中，我们表明，称为d-分离的图形标准是一个健全的规则，从任何DAG的因果输入列表从一个graphoid的基础上读取独立性。该规则可以被扩展以覆盖表示函数依赖性以及条件依赖性的DAG。
On the Independencies Hidden in the Structure of a Probabilistic Logic Program
本文推广 d-分离至非基概率逻辑程序，提出程序结构抽象与元解释器，实现条件独立性高效判定，实验显示其显著快于 ProbLog 2 精确推理。
Exploiting Causal Independence in Bayesian Network Inference
提出了一种利用因果独立性进行精确贝叶斯网络推理的新方法。贝叶斯网络可以被看作是将联合概率分解为一组条件概率的乘积。我们提出了一个因果独立的概念，使人们能够进一步因式分解的条件概率的组合，甚至更小的因素，从而获得更细粒度的联合概率因式分解。因果独立的新公式让我们指定一个变量的条件概率给定其父母在一个结合和交换运算符，如“或”，“和”或“最大”，对每个父母的贡献。我们从一个简单的算法VE贝叶斯网络推理，给定证据和查询变量，使用因式分解找到查询的后验分布。我们展示了如何将该算法扩展到利用因果独立性。基于CPCS网络的医学诊断的实证研究表明，该方法比以前的方法更有效，并且允许在比以前的算法更大的网络中进行推理。
Characterization of causal ancestral graphs for time series with latent confounders
该研究提出一类用于含未观测混杂因子的多变量时间序列的新型因果图模型，证明其为现有模型类的真子集，可在无额外假设下得出更强因果推断，且其马尔可夫等价类图形表示蕴含更丰富的因果知识。
Bayesian Inference for Gaussian Mixed Graph Models
我们引入先验和算法来执行贝叶斯推断的高斯模型定义的非循环有向混合图。这类图由有向边和双向边组成，是条件独立的表示，它在边缘化下是封闭的，并且自然地从允许不可测量的混杂的因果模型中产生。给出了这种模型的蒙特卡罗方法和变分近似。我们的贝叶斯推断算法允许评估几个感兴趣的数量的后验分布，包括因果关系的影响，不能单独从数据中识别，但可以推断出信息先验知识的混淆。
Causal Discovery with Language Models as Imperfect Experts
本文研究在专家可能出错的情况下，利用一致性性质修正专家知识以改进因果图识别，并在真实数据上以大型语言模型作为不完美专家进行验证。
Identifying Dynamic Sequential Plans
我们解决的问题，确定动态顺序计划的因果贝叶斯网络的框架，并表明，这个问题是减少到确定因果效应，有完整的识别算法，在文献中。
Local Markov Equivalence for PC-style Local Causal Discovery and Identification of Controlled Direct Effects
本文提出LocPC和LocPC-CDE算法，通过局部条件独立性测试高效识别受控直接效应，相比全局方法，其计算效率更高且假设更弱。
Identifying Macro Causal Effects in a C-DMG over ADMGs
针对复杂领域因果知识不完整的问题，本文研究基于ADMG的C-DMG中的宏观因果效应识别，证明do-演算的可靠性与完备性，并给出不可识别性的图形化表征。
Identifying Candidate Risk Factors for Prescription Drug Side Effects using Causal Contrast Set Mining
大型纵向观测数据库提供了以成本效益高的方式提取新知识的机会。不幸的是，这些数据库用于因果推理的能力是有限的，因为数据收集的被动方式导致了各种形式的偏见。在本文中，我们研究了一种方法，可以克服这些限制，并确定因果对比集规则有效地从大数据。特别是，我们提出了一种新的方法，目的是确定风险因素，增加患者的可能性，经历已知的罕见副作用肾功能衰竭后，氨基水杨酸摄入量。结果表明，该方法能够识别先前研究的风险因素，例如处方利尿剂，并强调肾功能衰竭风险高于平均水平的患者可能更容易在服用氨基水杨酸后出现副作用。
GeoAI for Knowledge Graph Construction: Identifying Causality Between Cascading Events to Support Environmental Resilience Research
知识图谱技术被认为是一种强大的、语义上使能的链接实体的解决方案，允许用户通过根据各种类型的推理规则对数据进行推理来获得新的知识。然而，在构建这样一个知识图谱时，事件建模（例如灾害建模）通常仅限于单个孤立事件。现有的知识图谱往往缺乏级联事件之间的联系。本文介绍了我们的GeoAI（地理空间人工智能）解决方案，以确定事件之间的因果关系，特别是灾害事件，基于一组空间和时间启用的语义规则。通过因果灾害事件建模的用例，我们展示了这些定义的规则，包括基于主题的相关事件识别，时空共现约束，以及事件元数据的文本挖掘，使不同事件之间的因果关系的自动提取。我们的解决方案丰富了事件知识库，并允许在大型知识图谱中探索链接的级联事件，从而增强知识查询和发现的能力。
pg-Causality: Identifying Spatiotemporal Causal Pathways for Air Pollutants with Urban Big Data
许多国家正遭受严重的空气污染。了解不同的空气污染物是如何积累和传播的，对于制定相关的公共政策至关重要。本文利用城市大数据（空气质量数据和气象数据）识别大气污染物的\emph{spatiotemporal (ST) causal pathways}。该问题具有挑战性，因为：（1）原始空气质量数据中存在大量噪声和低污染时段，这可能导致不可靠的因果分析;（2）对于ST空间中的大规模数据，构建因果结构的计算复杂性非常高;（3）由于多种污染物的相互作用和环境因素的影响，\emph{ST causal pathways}是复杂的。因此，我们提出了\emph{p-Causality}，一种新的模式辅助因果关系分析方法，结合了\emph{pattern mining}和\emph{Bayesian learning}的优势，有效地和忠实地识别\emph{ST causal pathways}。首先，\emph{Pattern mining}通过捕获每个监测传感器的频繁演化模式（FEP）来抑制噪声，并通过选择模式匹配的传感器作为“原因”来大大降低复杂度。然后，\emph{Bayesian learning}使用基于高斯贝叶斯网络（GBN）的图形模型仔细编码局部和ST因果关系，该图形模型还集成了环境影响，以最大限度地减少最终结果中的偏差。我们使用包含982个空气质量传感器的三个真实世界数据集来评估我们…
Causal discovery of linear acyclic models with arbitrary distributions
数据分析的一个重要任务是发现观测变量之间的因果关系。对于连续值数据，线性非循环因果模型通常用于建模数据生成过程，并且此类模型的推断是一个研究得很好的问题。然而，现有的方法具有显著的局限性。基于条件独立性的方法（Spirtes et al. 1993; Pearl 2000）无法区分独立性等效模型，而纯粹基于独立成分分析的方法（Shimizu et al. 2006）不适用于部分高斯数据。在本文中，我们概括并结合了这两种方法，以产生一种能够在许多情况下学习模型结构的方法，对于这些情况，以前的方法提供的答案要么是不正确的，要么不是尽可能的信息。当两个不同的模型代表同一个分布家族时，我们给出了精确的图形条件，并通过全面的模拟实证证明了我们方法的强大功能。
Adjustment Criteria in Causal Diagrams: An Algorithmic Perspective
识别和控制偏差是经验科学中的一个关键问题。因果图理论提供了决定是否以及如何通过协变量调整从观察（非实验）数据中识别因果效应的图形标准。在这里，我们证明现有的以及新的标准之间的等价调整，我们提供了一个新的简化，但仍然等效的概念D-分离。这些导致有效的算法在因果图分析中的两个重要任务：（1）列出最小的协变量调整（多项式延迟）;和（2）确定涉及偏置路径的子图（在线性时间）。我们的结果改进了现有的指数时间解决方案，这些问题，使用户能够评估协变量调整的影响图与几十到几百个变量的交互式实时的。
ACCESS : A Benchmark for Abstract Causal Event Discovery and Reasoning
针对现有NLP事件因果识别方法在分布外场景的不足，提出抽象因果事件发现与推理基准ACCESS，从GLUCOSE提取1.4K抽象因果对，实验显示其可提升LLMs的问答推理性能，同时揭示相关任务的挑战。
Causal Rule Sets for Identifying Subgroups with Enhanced Treatment Effect
因果推断分析的一个关键问题是如何找到具有升高的治疗效果的亚组。本文采用机器学习的方法，并介绍了一个生成模型，因果规则集（CRS），可解释的子群发现。CRS模型使用一小组简短的决策规则来捕获平均治疗效果提高的亚组。我们提出了一个贝叶斯框架学习因果规则集。贝叶斯模型由一个先验模型和一个贝叶斯逻辑回归模型组成，前者支持简单模型以获得更好的可解释性并避免过度拟合，后者捕获数据的可能性，表征结果，属性和子组成员之间的关系。贝叶斯模型具有可调参数，可以表征具有各种大小的子组，为用户提供更灵活的\emph{treatment efficient frontier}模型选择。我们发现最大后验模型使用迭代离散蒙特卡罗步骤的联合解决方案空间的规则集和参数。为了提高搜索效率，我们提供了理论基础的算法和边界策略来修剪和限制搜索空间。实验表明，该算法能有效地恢复真实的底层子群。我们将CRS应用于公共和真实世界的数据集，这些数据集来自可解释性不可或缺的领域。我们比较CRS与最先进的基于规则的子群发现模型。结果表明，CRS在来自各个领域的数据集上实现了一致的竞争性能，以高处理效率前沿为代表。
Identifying Conditional Causal Effects
本文涉及的非实验数据和因果假设的组合编码的形式，其中一些变量被假定为不可观察的有向无环图的行动的影响进行评估。我们提供了一个程序，系统地识别两组变量之间的原因影响的条件下，其他一些变量，在时间多项式中的变量的数量在图中。可识别的条件因果效应用观察到的联合分布表示。
Mitigating Hallucinations in Large Language Models via Causal Reasoning
针对大型语言模型（LLMs）的逻辑不一致幻觉问题，提出因果DAG构建与推理（CDCR-SFT）监督微调框架，通过显式建模变量级因果关系提升推理能力，在CLADDER上准确率超人类且在HaluEval上减少幻觉。
DSC-IITISM at FinCausal 2021: Combining POS tagging with Attention-based Contextual Representations for Identifying Causal Relationships in Financial Documents
因果关系检测是自然语言处理和语言学研究领域的一个热点问题。它在信息检索、事件预测、问答、金融分析和市场研究中有重要的应用。在这项研究中，我们探索了几种方法来识别和提取因果对的金融文件使用Transformers。为此，我们提出了一种方法，结合POS标记与BIO计划，它可以与现代Transformer模型，以解决这一挑战，确定在给定的文本中的因果关系。在FinCausal 2021研讨会的FinCausal-2021共享任务中，我们的最佳方法在盲测中获得了0.9551的F1分数和0.8777的精确匹配分数。
Identifying Causal Effects via Context-specific Independence Relations
本文针对存在上下文特定独立关系时因果效应识别不完备的问题，提出一种可证明可靠且包含标准 do-calculus 的演算与自动搜索方法，并证明少量 CSI 关系即可使原本不可识别的实例变得可识别。
Identifying Conditional Causal Effects in MPDAGs
本文研究在MPDAG设定下识别条件因果效应，提出条件集合不受处理影响时的识别公式、do演算的MPDAG推广及一个完备识别算法。
A Weaker Faithfulness Assumption based on Triple Interactions
因果发现的核心假设之一是忠实性假设，即，假设在数据中发现的独立性是由于真实因果图中的分离。然而，这一假设可以在许多方面被违反，包括异或连接、确定性函数或取消路径。在这项工作中，我们提出了一个较弱的假设，我们称之为$2$ -邻接忠诚。与邻接忠实性不同，邻接忠实性假设因果图中连接的每对变量之间没有条件独立性，我们只要求节点与其马尔可夫毯的子集之间没有条件独立性，该马尔可夫毯可以包含多达两个节点。同样地，我们调整方向忠诚到这个设置。我们进一步提出了一个合理的方向规则因果发现，适用于较弱的假设。作为一个概念证明，我们推导出一个修改后的增长和收缩算法，恢复马尔可夫毯的目标节点，并证明其正确性严格弱于标准的忠实性假设的假设。
Identifying Macro Causal Effects in C-DMGs over DMGs
本文研究了基于有向混合图（DMG）的聚类有向混合图（C-DMG）中的宏观因果效应识别问题，证明了do-calculus在该场景下是无条件健全且完备的，并将不可识别性的图判据扩展至该图模型的子集。
Identifying Causal Effects Under Functional Dependencies
本文研究功能依赖下的因果效应识别，提出消除程序移除功能性变量以增强可识别性并减少所需观测变量。
Using Contrastive Samples for Identifying and Leveraging Possible Causal Relationships in Reinforcement Learning
强化学习的一个重大挑战是量化行动和长期奖励之间的复杂关系。这些影响可能会在一长串状态-动作对中显现出来，这使得它们很难精确定位。在本文中，我们提出了一种方法来链接过渡状态的显着偏差异常大的变化，在随后的奖励。这种转换被标记为可能的因果效应，并且相应的状态-动作对被添加到单独的重放缓冲器。此外，我们包括对应于从类似状态但具有不同动作的转换的\textit{contrastive}样本。在训练过程中包括这种对比经验回放（CER）显示在2D导航任务上优于基于标准值的方法。我们相信CER可以用于广泛的学习任务，包括任何非策略强化学习算法。
LazyIter: A Fast Algorithm for Counting Markov Equivalent DAGs and Designing Experiments
一组随机变量之间的因果关系通常由有向无环图（DAG）表示，其中如果$X$是$Y$的直接原因，则存在从变量$X$到变量$Y$的有向边。从纯粹的观测数据，真正的因果图可以识别到马尔可夫等价类（MEC），这是一组DAG与变量之间的相同的条件独立性。MEC的大小是通过执行干预来恢复真实因果图的复杂性的度量。我们提出了一种有效的迭代方法，在可能的MEC干预结果。我们利用所提出的方法计算MEC的大小和实验设计在主动和被动的学习设置。相比以前的工作计算MEC的大小，我们提出的算法减少了时间复杂度的一个因素，$O(n)$稀疏图，其中$n$是系统中的变量的数量。此外，结合动态规划，我们设计了一个被动实验设计的优化算法。实验结果表明，我们提出的算法计算MEC的大小和实验设计优于最先进的。
Evaluating Contrast Localizer for Identifying Causal Units in Social & Mathematical Tasks in Language Models
本研究将神经科学对比定位器应用于LLMs和VLMs，定位与心理理论及数学推理相关的因果单元，通过消融实验发现低激活单元或数学定位器单元对任务性能的影响超预期，质疑对比定位器的因果相关性。
A Criterion for Parameter Identification in Structural Equation Models
本文研究递归线性结构方程模型中直接因果效应的识别问题。本文建立了一个识别个体因果效应的充分准则，并提供了一个根据观测协方差阵计算已识别因果效应的程序。
Identifying Finite Mixtures of Nonparametric Product Distributions and Causal Inference of Confounders
我们提出了一个核方法来识别有限混合非参数乘积分布。它基于联合分布的Hilbert空间嵌入。构造的张量的秩等于混合分量的个数。我们提出了一种算法来恢复组件的数据点划分成集群，使变量是联合条件独立给定的集群。该方法可用于识别有限混杂因素。
Identifying biological perturbation targets through causal differential networks
提出一种受因果启发的方法，通过联合训练含噪声因果图推断与差异映射模块，在低样本高维生物数据中准确识别干预靶点，在7个单细胞数据集及多种合成数据上显著优于基线方法。
Causal reasoning in difference graphs
本文针对差异图尚未被系统用于增强因果推理的问题，建立在非参数与线性设定下识别总/直接因果变化及效应的条件，为公共卫生应用提供新方法。
Leaning Time-Varying Instruments for Identifying Causal Effects in Time-Series Data
针对时间序列数据中时变潜在混杂因素导致因果效应估计偏差的问题，提出TDCIV方法，利用LSTM和VAE从代理变量中学习时变CIV及其条件集，理论验证其有效性，实现准确估计。
Towards identifiability of micro total effects in summary causal graphs with latent confounding: extension of the front-door criterion
针对完全因果图设定难、动态系统总效应识别受限的问题，本文扩展前门准则，提出含循环与潜在混杂的摘要因果图下总效应可识别的充分图条件。
Identifying ODEs from Unstructured Data with Causal Representation Learning
本文提出SPEED-AE框架，结合因果表示学习与自编码器，从图像等非结构化数据中恢复稀疏多项式ODE，在多个动力系统上提升解缠性与预测精度。
iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models
本文提出iSCAN方法，在不估计完整DAG结构的情况下，利用混合分布得分函数的雅可比矩阵识别非线性加性噪声模型中的因果机制偏移，并通过合成与真实数据验证其有效性。
Identifying causal relations in tweets using deep learning: Use case on diabetes-related tweets from 2017-2021
目的：利用机器学习方法，我们的目标是从患者报告的糖尿病相关推文中提取明确和隐含的因果关系，并提供一种工具，从因果关系的角度更好地理解糖尿病在线社区中共享的意见，感受和观察。材料和方法：在2017年4月至2021年1月期间收集了超过3000万条与糖尿病相关的英文推文。深度学习和自然语言处理方法被应用于关注具有个人和情感内容的推文。手动标记因果推文数据集并用于训练1）微调的Bertweet模型以检测包含因果关联的因果句子2）具有基于BERT的特征的CRF模型以提取可能的因果关联。原因和影响在一个半监督的方法和可视化的互动因果网络中进行了聚类。结果：在不平衡数据集中，因果句的召回率为68%。一个CRF模型与BERT为基础的功能优于微调BERT模型的因果检测与宏观召回率为68%。这导致了96，676个带有因果关系的句子。“糖尿病”被确定为中心聚类，其次是“死亡”和“胰岛素”。胰岛素定价相关原因通常与“死亡”相关。结论：开发了一种新的方法来检测因果句子，并识别显式和隐式，单个和多个单词的原因和相应的效果，如在糖尿病相关的推文中表达的，利用基于BERT的架构和可视化的因果网络。在社交媒体数据中提取现实生活中的因果关系，患者报告的结果为糖尿病研究提供了有用的补充信息来源。
On Efficient Adjustment for Micro Causal Effects in Summary Causal Graphs
本文提出在总结因果图中更简单有效的调整方法，以识别更广泛的因果效应调整集，并优化因果效应估计的方差。
TraceVIC: Causal Reasoning over Code Evolution for Identifying Vulnerability-Inducing Commits
TraceVIC通过时间图推理代码演化，识别并排序漏洞引入提交，在四个C/C++项目中将F2提升至0.814，比现有方法提高28.7%。
Applying Large Language Models for Causal Structure Learning in Non Small Cell Lung Cancer
本研究探索利用大语言模型预测非小细胞肺癌因果图中边的方向性，在去标识化患者数据上验证，结果表明其性能优于现有最先进方法，助力医学因果发现。
Identifying General Mechanism Shifts in Linear Causal Representations
该研究针对线性因果表征学习场景，放宽了原有完美干预和环境数量的限制，提出可识别多环境间偏移潜节点的构造性方法，并通过合成实验与心理测量数据集验证了有效性。
Unified Causality Analysis Based on the Degrees of Freedom
针对动态系统中子系统因果关系及隐藏共同原因难以识别的问题，本文提出基于自由度分析的统一框架，可处理确定性与随机系统，并经理论模型和仿真验证。
Granger Causality Detection with Kolmogorov-Arnold Networks
本研究提出 GC-KAN 框架，利用 Kolmogorov-Arnold 网络在 VAR 模型和 Lorenz-96 系统上进行 Granger 因果关系检测，发现其比 MLP 更能识别高维稀疏因果模式，揭示了 AI 在物理系统因果发现中的潜力。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。