Defaults and Normality in Causal Structures
Cornell University(康奈尔大学)
通过将因果关系理论与缺省理论相结合,弥补了Halpern-Pearl(HP)因果关系定义的严重缺陷。此外,它表明,(尽管声称相反)的原因,根据HP条件不需要是一个单一的合取。由赖特的NESS测试动机的因果关系的定义是始终保持一个单一的合取。此外,HP考虑的所有例子的条件,保证因果关系根据(这个版本)的NESS测试是等价的HP定义。
2008-06-12 cs.AI
Causality in Bayesian Belief Networks
Carnegie Mellon University(卡内基梅隆大学)
我们解决的问题的因果解释的贝叶斯信念网络(BBN)的图形结构。我们回顾了结构方程模型领域中因果关系的概念,并表明它适用于BBN。在这种观点中,我们称之为基于机制的,因果关系是在模型中定义的,当机制被放置在系统的上下文中时,因果不对称就会出现。我们奠定了结构方程模型和BBN模型之间的联系,并制定了条件下,后者可以给出因果解释。
2013-03-06 cs.AI
Cause, Responsibility, and Blame: oA Structural-Model Approach
Cornell University(康奈尔大学)
本文回顾了Halpern和Pearl提出的因果关系的定义,它使用了结构方程。一个更精确的定义,然后考虑,考虑到正常性和典型性,这是众所周知的影响因果归属的问题。因果关系通常是一个全有或全无的概念:要么A是B的原因,要么不是。扩展的因果关系的定义,以捕捉的责任程度和责任程度的概念,由于Chockler和Halpern,进行审查。例如,如果某人以11比0赢得选举,那么每个投票给他的人对胜利的责任要比他以6比5获胜的责任小。责任的程度考虑到代理人的认知状态。粗略地说,A对B的责备程度是A对B的预期责任程度,接管了一个代理人的认知状态。最后,结构方程定义的因果关系进行了比较赖特的NESS测试。
2014-12-09 cs.AI
Reducing Causality to Functions with Structural Models
University of Pennsylvania(宾夕法尼亚大学)
本文提出结构功能模型 SFM,用数学函数定义因果关系,并通过因果场景数据集验证其直觉一致性及与概率论的区别。
2023-07-11 cs.AI
Causality and independence in perfectly adapted dynamical systems
University of Amsterdam(阿姆斯特丹大学)
动态系统中的完美适应是这样一种现象,即一个或多个变量对外部刺激的持续变化有初始的瞬态响应,但当系统收敛到平衡时恢复到它们的原始值。在因果排序算法的帮助下,可以构建动态系统的图形表示,表示变量之间的因果关系和平衡分布中的条件独立性。我们应用这些工具,制定充分的图形条件,从一组一阶微分方程识别完美的适应。此外,我们给出了充分条件,以测试存在的完美适应的实验平衡数据。我们将这种方法应用于蛋白质信号通路的简单模型,并在模拟和使用真实世界的蛋白质表达数据中测试其预测。我们证明,完美的适应可能会导致误导方向的因果发现算法的输出边缘。
2023-02-23 cs.AI stat.ML
Causal Reasoning in Graphical Time Series Models
University of Maastricht(马斯特里赫特大学);University College London(伦敦大学学院)
我们提出了一个定义的因果关系的时间序列的影响,在一个多变量时间序列的一个组件上的另一个组件在稍后的时间点的干预。可识别性的条件,可比的后门和前门的标准,提出,也可以通过图形验证。因果效应的计算推导和说明的线性情况下。
2012-06-20 cs.AI stat.ME
A Framework for Inferring Causality from Multi-Relational Observational Data using Conditional Independence
Duke University(杜克大学);University of Washington(华盛顿大学)
因果关系或因果推断的研究-给定的治疗对人群中给定结果的因果影响程度-远远超出了变量的相关性或关联分析,并且对于在众多应用中做出合理的数据驱动决策和政策至关重要。因果推理的黄金标准是进行“受控实验”,由于逻辑或道德原因,这通常是不可能的。作为替代方案,基于“Neyman-Rubin潜在结果模型”对“观测数据”进行因果关系推断已在几十年来广泛用于统计学,经济学和社会科学。在本文中,我们提出了一个正式的框架,健全的因果分析的观测数据集,给出了多重关系,并在研究中的人口是通过加入这些基础关系。我们研究了从观察数据推断因果关系的一个关键条件,称为“强可检验性假设”(考虑到观察到的协变量,治疗和结局变量在联合关系中应该是独立的),使用在基础关系中保持的已知条件独立性。我们还讨论了作为图形模型的基础关系中的条件独立性的结构如何帮助推断新的条件独立性的联合关系。拟议的框架结合了数据库,统计和图形模型的概念,旨在启动跨越这些领域的新研究方向,以促进当今大数据世界中强大的数据驱动决策。
2017-08-08 cs.AI cs.DB
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
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
Teleporter Theory: A General and Simple Approach for Modeling Cross-World Counterfactual Causality
Institute of Software Chinese Academy of Sciences(中国科学院软件研究所)
针对双网络在跨世界反事实因果建模中的泛化不足,该研究提出通用简洁的传送子理论,可直接推导跨世界变量条件独立性,还构建了即插即用模块并经基准实验验证有效。
2024-06-18 cs.AI cs.LG stat.ME
Causality for Machine Learning
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
由Judea Pearl开创的图形因果推理起源于人工智能(AI)的研究,很长一段时间与机器学习领域几乎没有联系。本文讨论了已经建立和应该建立链接的地方,并介绍了沿途的关键概念。它认为,机器学习和人工智能的硬开放问题与因果关系有着内在的联系,并解释了该领域如何开始理解它们。
2019-12-23 cs.AI cs.LG stat.ML
Why so? or Why no? Functional Causality for Explaining Query Answers
University of Washington(华盛顿大学)
在本文中,我们提出因果关系作为解释查询答案和非答案的统一框架,从而概括和扩展了之前提出的几种出处和缺失查询结果解释方法。我们从Halpern和Pearl对实际原因的充分研究的定义开始发展我们的框架。在确定了一些不可取的特点,原来的定义,我们提出了一个完善的定义因果关系的功能性原因与几个可取的属性。这些属性允许我们在数据库上下文中应用因果关系的概念,并以几种方式统一地应用它来定义查询结果的原因及其各自的贡献:(i)我们可以对出处和非答案两者进行建模,(ii)我们可以将解释定义为输入关系中的数据或查询计划中的关系操作,(3)我们可以对个别原因的责任程度进行分级,从而使我们能够对原因进行排序。特别是,我们的方法使我们能够解释的贡献关系的聚合功能和排名原因根据各自的责任。我们给出了复杂性的结果,并描述了多项式算法在易处理的情况下,因果关系的评估。在整个文件中,我们用几个例子说明了我们的框架的适用性。总体而言,我们在本文中开发的因果关系理论在数据库环境中的理论基础。
2009-12-29 cs.AI cs.DB
A Decision-Based View of Causality
Microsoft Research(微软研究院)
大多数传统的不确定性模型都集中在条件依赖所捕获的变量之间的关联关系。然而,为了成功地管理决策智能系统,我们必须能够预测行动的影响。在本文中,我们试图联合两个分支的研究,解决这样的预测:因果建模和决策分析。首先,我们提供了一个定义的因果关系的决策分析方面,我们来自因果关系的文献中引用的后果。使用这个定义,我们展示了因果依赖如何在影响图中表示。特别是,我们确定了两个不足之处,一个普通的影响图作为一个代表的原因。我们引入一类特殊的影响图,称为因果影响图,纠正这些问题之一,并确定其他不足的情况下,可以消除。此外,我们描述了霍华德标准形式和现有的图形表示的原因之间的关系。
2015-05-16 cs.AI
Appropriate Causal Models and the Stability of Causation
Cornell University(康奈尔大学)
根据结构方程定义的因果模型已被证明是表示因果关系知识的一种非常强大的方式。然而,一些作者给出的例子似乎表明,Halpern-Pearl(HP)因果关系的定义给出了直观上不合理的答案。在这里,我们可以看到,对于每一个例子,我们可以给出两个与例子中的描述一致的故事,这样,关于因果关系的直觉对于每个故事都是完全不同的。通过添加额外的变量,我们可以消除这些故事的歧义。此外,在由此产生的因果关系模型中,因果关系的HP定义给出了直观上正确的答案。它还表明,通过添加额外的变量,修改原来的HP定义处理霍普金斯和珍珠的例子可能是没有必要的。考虑到通过增加额外的变量可以做多少事情,可能会有人担心因果关系的概念有些不稳定。可以以“保守”的方式添加额外的变量(即,保持原始模型中变量之间的所有关系)导致问题“X=x是Y=y的原因吗”的答案在“是”和“否”之间交替。结果表明,我们可以有这样的交替无限频繁,但如果我们考虑正规性,我们不能。实际上,在适当的正态假设下。添加一个额外的变量可以将答案从“yes”更改为“no”,但在此之后,它不能再更改回“yes”。
2015-08-03 cs.AI
Partially Intervenable Causal Models
图形因果模型导致了任意结构系统中完整的非参数识别理论的发展,以及有效推理的一般方法。然而,图形方法的因果推断还没有接受的统计和公共卫生界。在这些社区中,因果假设是以潜在结果或对假设干预的反应来表示的。这种干预措施一般只在有限的一组变量上进行概念化,原则上可以进行相应的实验。相比之下,因果推断的图形方法通常假设对所有变量的干预都是明确定义的--这是一个过于限制性和不切实际的假设,可能限制了这些方法在统计和公共卫生应用工作中的采用。在本文中,我们建立在统一的图形和潜在的结果因果关系的方法为例,单世界干预图(SWIGs)定义图形模型与一组有限的允许的干预措施。我们给出了一个完整的识别理论,这样的模型,并制定了一个完整的演算的干预措施的基础上的一个概括的做演算,和公理,管理概率运算的马尔可夫内核。我们的研究结果的一个推论是一个完整的识别理论的因果关系的影响,在另一个图形框架与一组有限的干预措施,决策理论的图形制定的因果关系。
2021-10-31 cs.AI math.ST stat.ME
Causes and Explanations: A Structural-Model Approach --- Part 1: Causes
Cornell University(康奈尔大学);University of California, Los Angeles(加州大学洛杉矶分校)
我们提出了一个新的定义的实际原因,使用结构方程模型的反事实。我们表明,定义产生一个似是而非的和优雅的因果关系,处理好的例子,造成了问题的其他定义和解决的主要困难,在traditional account。在一篇配套文章中,我们展示了因果关系的定义如何被用来给出(因果)解释的优雅定义。
2013-01-10 cs.AI
CausalOps -- Towards an Industrial Lifecycle for Causal Probabilistic Graphical Models
OTH Regensburg University of Applied Sciences(雷根斯堡应用技术大学);e:fs TechHub GmbH(e:fs技术中心有限公司)
针对因果工程缺乏工业级过程参考的问题,提出 CausalOps 生命周期框架,通过定义关键实体、依赖关系与中间产物,建立统一词汇和工作流,以推动因果模型在工业界的实际应用。
2023-09-05 cs.AI
pg-Causality: Identifying Spatiotemporal Causal Pathways for Air Pollutants with Urban Big Data
the University of Hong Kong(香港大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Microsoft Research Asia(微软亚洲研究院);Shanghai Jiao Tong University(上海交通大学)
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…
2018-04-18 cs.AI
Embracing Background Knowledge in the Analysis of Actual Causality: An Answer Set Programming Approach
Texas Tech University(得克萨斯理工大学);University of Nebraska at Omaha(内布拉斯加大学奥马哈分校)
该研究提出一种知识表示语言及原因定义,借助 Answer Set Programming 形式化实际因果性基准示例,并基于动作序列分析变化的实际原因。
2023-06-06 cs.AI cs.LO
Causality-based Explanation of Classification Outcomes
Universidad Adolfo Ibáñez(阿道夫·伊瓦涅斯大学);RelationalAI Inc.(RelationalAI公司);Carleton University(卡尔顿大学);University of Washington(华盛顿大学)
我们提出了一个简单的定义的解释的结果分类的基础上的概念因果关系。我们将其与先前提出的解释概念进行比较,并研究其复杂性。我们进行了实验评估与两个真正的数据集从金融领域。
2020-05-25 cs.AI cs.DB cs.LG
A Brief Introduction to Temporality and Causality
D-Wave Systems Inc.(D-Wave系统公司)
因果关系是一个非显而易见的概念,通常被认为与时间性有关。在本文中,我们提出了一些过去和现在的方法来定义的时间性和因果关系从哲学,物理和计算的观点。我们注意到,时间是许多关系和现象中的一个重要因素。该主题然后被分为两个主要领域的时间发现,这是关于寻找关系,随着时间的推移,因果关系的发现,其中一个索赔的因果影响,某些事件对他人。我们提出了一些用于尝试自动发现数据中的时间和因果关系的计算工具。
2010-07-14 cs.AI cs.LG
Towards Causal Representation Learning
Max-Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);ETH Zurich(苏黎世联邦理工学院);Google Research Amsterdam(谷歌研究院阿姆斯特丹分部);Mila(米拉研究所);University of Montreal(蒙特利尔大学)
机器学习和图形因果关系这两个领域分别出现和发展。然而,现在有交叉授粉和越来越多的兴趣在这两个领域受益于其他的进步。在本文中,我们回顾了因果推理的基本概念,并将它们与机器学习的关键开放问题(包括迁移和泛化)联系起来,从而分析因果关系如何有助于现代机器学习研究。这也适用于相反的方向:我们注意到,大多数因果关系的工作都是从因果变量给定的前提开始的。因此,人工智能和因果关系的一个核心问题是因果表示学习,即从低级观察中发现高级因果变量。最后,我们描述了因果关系对机器学习的一些影响,并提出了两个社区交叉的关键研究领域。
2021-02-22 cs.AI cs.LG
CausalKG: Causal Knowledge Graph Explainability using interventional and counterfactual reasoning
人类在日常决策、计划和理解生活事件时使用因果关系和假设性回顾。人类的头脑在回顾一个特定的情况时,会思考这样的问题:“特定情况的原因是什么?“、“我的行动会产生什么影响?“,或者“是什么行为导致了这种结果?".它开发了一个世界的因果模型,它可以用更少的数据点学习,进行推理,并考虑反事实的场景。看不见的、未知的场景被称为反事实。AI算法使用基于知识图谱(KG)的表示来表示时间、空间和事实的概念。KG是一个图形化的数据模型,它捕获诸如事件、对象或概念之类的实体之间的语义关系。现有的知识库表示从文本中提取的因果关系,基于名词短语的语言模式的原因和影响,如在概念网和WordNet。目前的因果关系表示在KG中,支持反事实推理是一个挑战。需要使用基于KG的方法来更丰富地表示AI系统中的因果关系,以获得更好的可解释性,并支持干预和反事实推理,从而提高人类对AI系统的理解。因果表征需要一个更高的表征框架来定义上下文、因果信息和因果效应。提出的因果知识图谱(Causal KG)框架,利用因果关系和KG的可解释性的最新进展。CauseKG旨在解决缺乏领域适应性因果模型的问题,并使用KG中的超关系图表示来表示复杂的因果关系。我们表明,CauseKG的干预和反事实推理可以使用的AI系统的域的可解释性。
2022-01-06 cs.AI
Event Causality Identification with Synthetic Control
Department of Computer and Information Science, UPenn(计算机与信息科学系,宾夕法尼亚大学);Allen Institute for AI(人工智能研究院)
本文提出用鲁宾因果模型和合成控制方法生成文本孪生体来识别事件因果关系,在COPES-hard基准上优于GPT-4等已有方法。
2025-09-16 cs.AI cs.CL
On Preemption and Overdetermination in Formal Theories of Causality
Western Norway University of Applied Sciences(西挪威应用科学大学)
在寻找复杂事件的原因时,一个关键的挑战是确定那些既不必要也不足以产生该事件的因素的因果关系。为了推理如何考虑这些因素,我们需要一个词汇表来区分不同的情况。在哲学中,过度决定的概念和先占的概念在这方面起到了重要作用,尽管它们的确切含义往往仍然难以捉摸。在本文中,我提供了理论中立的定义,这些概念使用结构方程的Halpern-Pearl传统。虽然我的定义并不以任何特定的因果理论为前提,但它们把这样一个理论作为一个可变参数。这使我们能够根据对先占和过度决定的实际含义的前理论理解,来具体说明因果关系理论的形式约束。我通过提出并论证我所谓的推定原则来证明这一点的有用性。粗略地说,这一原则规定,只有在有独立证据支持这一推论的情况下,一个可能的原因才能被视为已经被预先排除。我的结论表明,推定原则是违反了两个主要的因果关系理论制定的Halpern-Pearl传统。本文的结论是定义类的经验因果理论,其特点是在一个固定点的反事实推理的差异。有人认为,实际因果关系的理论应该是经验的。
2017-10-10 cs.AI cs.LO
The Importance of Causality in Decision Making: A Perspective on Recommender Systems
Free University of Bozen-Bolzano(波尔扎诺自由大学);University of Milano-Bicocca(米兰比可卡大学);F. Hoffmann - La Roche Ltd(F. Hoffmann - 罗氏公司);University of Klagenfurt(克拉根福大学)
本文从因果性视角形式化推荐系统问题,利用潜在结果和结构因果模型定义待估计的因果量,并提出通用因果图以推动未来研究。
2024-09-16 cs.AI cs.IR
Research on Personal Credit Risk Assessment Methods Based on Causal Inference
Guilin University Of Electronic Technology(桂林电子科技大学);Northeastern University(东北大学)
本文基于范畴论定义因果性并证明指标合成可行性,采用概率因果图工具,研究因果推断在个人信用风险评估中的应用,构建指标体系并探索干预替代准则。
2024-03-17 cs.AI math.CT
FO(C): A Knowledge Representation Language of Causality
KU Leuven(鲁汶大学);Hasselt University(哈瑟尔特大学);transnational University of Limburg(林堡跨国大学)
因果关系是人类知识的重要组成部分。在现实生活中,人类经常会推理与复杂结果相关的复杂原因。相比之下,现有的表示因果关系知识的形式主义在它们所允许的因果关系的规范方面是非常有限的。在本文中,我们提出了新的语言C-Log,它提供了一个显着更具表现力的表示效果,包括创建新对象等功能。我们展示了C-Log如何与一阶逻辑集成,从而产生FO(C)语言。我们还比较了FO(C)与几个相关的语言和范式,包括归纳定义,析取逻辑编程,业务规则和扩展的数据库。
2014-05-09 cs.AI cs.LO
DoWhy-GCM: An extension of DoWhy for causal inference in graphical causal models
Amazon Web Services(亚马逊网络服务)
本文提出 DoWhy-GCM,通过图因果模型扩展 DoWhy 库,支持根本原因识别、因果归因和结构诊断等多种因果查询,并只需几行代码即可完成。
2024-06-06 cs.AI stat.ME stat.ML
Phenomenological Causality
Amazon Research(亚马逊研究院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
关于现实生活中因果关系的讨论经常考虑因果关系定义不明确的变量,因为对相应变量的干预概念模糊不清。问“什么样的行动才有资格成为对变量X的干预”,就会提出这样的问题:该行动是否只通过X或直接影响所有其他变量,这隐含着一个因果模型。为了避免这种已知的循环,我们提出了一个“现象学因果关系”的概念,其基本概念是一组基本的行动。然后定义因果结构,使得基本动作仅改变一个节点处的因果机制(例如,马尔可夫分解中的因果条件之一)。这样,独立机制原理就成为因果结构的定义属性,在这些领域中,因果关系是一种更抽象的现象,而不是依赖于有形物体之间的硬连线因果联系的客观事实。我们描述了这种现象学的因果关系的玩具和假设的现实世界的例子,并认为这是一致的因果马尔可夫条件时,所考虑的系统与其他变量的相互作用,控制的基本行动。
2022-11-15 cs.AI cs.LG stat.ME
The Complexity of Causality and Responsibility for Query Answers and non-Answers
University of Washington(华盛顿大学)
查询的答案有一个定义良好的世系表达式(或者称为how-provenance),它解释了答案是如何得到的。最近的工作还展示了如何计算查询的非答案的谱系。然而,回答或不回答的原因是一个更微妙的概念,一般来说,只包括血统的一个片段。在本文中,我们适应Halpern,珍珠,和Chockler最近的因果关系和责任的定义,以定义的原因,答案和非答案的查询,和他们的责任程度。责任抓住了因果关系程度的概念,并根据其对结果的相对贡献对潜在的许多原因进行排序。然后,我们研究了计算的复杂性的原因和责任的合取查询。计算因果关系一般是NP完全的。我们的第一个主要结果表明,所有的原因,合取查询可以计算的关系查询,其中可能涉及否定。因此,因果关系可以在PTIME中计算,并且非常有效。接下来,我们学习计算责任。在这里,我们证明了复杂性取决于合取查询,并证明了PTIME和NP完全情况下的二分法。对于PTIME的情况下,我们给出了一个非平凡的算法,包括减少最大流计算问题。最后,我们证明,即使是在PTIME,责任是完整的LOGSPACE,这意味着,不像因果关系,它不能计算的关系查询。
2011-09-30 cs.AI cs.DB
Granger Causality Detection with Kolmogorov-Arnold Networks
University College London(伦敦大学学院);London School of Economics(伦敦政治经济学院)
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。
2024-12-19 cs.AI cs.LG stat.ML
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
A Layered Architecture for Universal Causality
Adobe Research(奥多比研究院);University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
我们提出了一个分层的层次架构称为UCLA(通用因果分层架构),它结合了多层次的分类抽象的因果推理。在最高层,因果干预是使用序数的单纯类别组合建模的。在第二层,因果模型由图类型类别定义。因果结构上的非随机“外科手术”操作,如边缘删除,使用退化和脸算子从上面的单纯层捕获。第三个范畴抽象层对应于因果推理中的数据层。第四个同伦层包括强加在上面的实例层上的附加结构,例如拓扑空间,它可以评估数据集上的因果模型。函子映射在UCLA中的每对层之间。层之间的每个函子都由一个通用箭头来表征,它定义了每对范畴层之间的同构。这些通用箭头通过米田引理定义了通用元素和表示,并反过来导致了基于Grothendieck引入的构造的一个新的元素类别。每对层之间的因果推理被定义为提升问题,一个交换图,其对象是类别,其态射是被表征为不同类型的纤维化的函子。我们说明了加州大学洛杉矶分校的架构,使用一系列的例子,包括整数值的多集,代表一个非图形框架的条件独立性,因果模型的基础上,使用对称monoidal类别的图形和字符串图。我们用元素范畴神经的同伦余限来定义因果效应。
2022-12-18 cs.AI cs.LG math.CT
Algorithmic causal structure emerging through compression
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);ELLIS Institute(ELLIS研究所)
该研究探究因果性、对称性与压缩的关联,提出跨环境压缩数据涌现因果性的框架,定义算法因果性,验证其可通过最小化Kolmogorov复杂度上界涌现,为大语言模型等的因果涌现提供新视角。
2025-03-21 cs.AI cs.CC cs.IT
Fuzzy Stochastic Timed Petri Nets for Causal properties representation
Universidad Santiago de Compostela(圣地亚哥-德孔波斯特拉大学);Universidad Autónoma de Madrid(马德里自治大学);Universidad Pontificia de Comillas(科米利亚斯主教大学)
图像经常被用来建模,表示和交流知识。特别是,图是最强大的工具之一,能够表示对象之间的关系。因果关系通常由有向图表示,节点表示原因,链接表示因果影响。因果图是一幅骨架图,显示实体之间的因果关系和影响。用于图形化表示因果场景的常用方法是神经元、真值表、因果贝叶斯网络、认知图和Petri网。因果关系通常被定义为优先(原因先于结果),并发性(通常,一个结果是由两个或多个原因同时引起的),循环性(原因引起结果,结果加强原因)和不精确性(原因的存在有利于结果,但不一定导致它)。我们将表明,即使传统的图形模型能够单独表示上述的一些属性,他们无法试图说明模糊所有这些。为了接近这一差距,我们将引入模糊随机时间Petri网作为一个图形工具,能够代表时间,同现,循环和因果流的不精确性。
2020-11-24 cs.AI cs.CL
Multi-Band Variable-Lag Granger Causality: A Unified Framework for Causal Time Series Inference across Frequencies
针对传统格兰杰因果关系的固定滞后假设及现有可变滞后方法未考虑频带差异的问题,提出多频带可变滞后格兰杰因果关系框架,通过建模频率依赖的因果延迟推广现有方法,在多领域实验中表现更优。
2025-08-01 cs.AI cs.LG econ.EM
Proceedings First Workshop on Causal Reasoning for Embedded and safety-critical Systems Technologies
自动因果关系分析,故障定位,事件解释,问责制和责备的正式方法已经由几个社区独立提出-特别是人工智能,并发,基于模型的诊断,正式方法。在过去几年中,关于这些专题的工作大大加快了速度。CREST的目标是汇集和促进来自不同社区的研究人员之间的交流,并介绍和讨论该领域的最新进展和新想法。研讨会的程序包括一组邀请和贡献的演示文稿,说明不同的技术,因果关系分析和故障定位的应用。该计划由两个主题演讲组成。Hana Chockler(国王学院)的主旨发言提供了一个广泛的视角,探讨了基于Halpern和Pearl对实际因果关系的定义的因果推理在从形式化验证到法律推理等各种应用领域的应用。Chao Wang(弗吉尼亚理工大学)的主题演讲集中在调试和验证并发程序的基于约束的分析技术。研讨会论文涉及成分因果关系分析和广泛的因果推理应用,如概率模型的调试,问责制和责任,基于刘易斯反事实的实践中的危险分析,以及故障定位和修复。
2016-08-26 cs.AI cs.LO cs.SE