General Probabilities of Causation with Causal Knowledge
本文针对多值因果概率边界可进一步收紧的问题,整合协变量与中介变量的因果信息推导更紧边界,经示例和模拟验证其边界优于现有非二元边界。
2026-08-14 cs.AI stat.ML
Counterfactual Probabilities: Computational Methods, Bounds and Applications
University of California(加州大学)
评估反事实查询(例如,“如果A是真的,那么C会是真的吗?”“)对于故障诊断、规划和确定责任是重要的。在本文中,我们提出的方法来计算这种查询的概率,使用[Balke和Pearl,1994]中提出的公式,其中查询的先行词被解释为一个外部动作,迫使命题A为真。当一个先验概率是可用的因果机制管理域,反事实概率可以精确地评估。然而,当因果知识被指定为条件概率的观察,只有边界可以计算。本文开发了评估这些界限的技术,并展示了它们在两个应用中的用途:(1)从受试者可以选择自己治疗的研究中确定治疗效果,以及(2)确定产品安全诉讼中的责任。
2013-02-27 cs.AI
Objection-Based Causal Networks
本文介绍了基于对象的因果网络的概念,它类似于概率因果网络,只是它们是用对象量化的。一个反对是一个逻辑句子,并表示一个条件下,因果关系不存在。基于对象的因果网络几乎拥有概率因果网络流行的所有属性,还有一个额外的优势,即对象可以说比概率更直观。
2013-03-13 cs.AI
The Hardness of Reasoning about Probabilities and Causality
Institute of Theoretical Computer Science, University of Lübeck(吕贝克大学理论计算机科学研究所);Saarland University(萨尔大学)
从计算复杂性角度研究概率与因果推理形式语言,引入新复杂性类succ$\exists$R并证明相关可满足性问题对其完备,揭示了更强的算法局限性。
2023-05-16 cs.AI cs.CC
Psychological and Normative Theories of Causal Power and the Probabilities of Causes
Carnegie Mellon University(卡内基梅隆大学);University of California, San Diego(加州大学圣迭戈分校)
本文(1)表明,最好的支持目前的心理学理论,(Cheng,1997)关于人类受试者如何判断一个特征存在或不存在时变化对另一个特征的因果能力或影响,给定关于其共变的数据,默认使用贝叶斯网络,该网络是噪声“或”门(对于促进效果的原因)或嘈杂的“与”门(2)将Cheng的理论推广到任意非循环的噪声或与噪声“与”门网络;(3)给出了当存在独立的不可观测原因时,这类网络参数估计的各种充分条件;(4)区分一个特征对另一个特征的直接因果影响(influence along a path with one edge)从总影响(沿着从一个变量到另一个变量的所有路径的影响)当结果变量存在未观察到的原因时,给出了估计每个变量的充分条件;(5)描述了程模型和简化版的鲁宾框架之间的关系,用于表示因果关系。
2013-01-30 cs.AI stat.ME
Arguments using ontological and causal knowledge
CNRS(法国国家科学研究中心);IRIT(图卢兹信息学研究所);Université de Toulouse(图卢兹大学);Université de Rennes I(雷恩第一大学);INRIA Bretagne Atlantique(法国国家数字科学与技术研究院布列塔尼-大西洋中心);IRISA(信息与随机系统研究所)
我们研究了一种通过论证来推理原因的方法。我们考虑一个物理系统的因果模型,并寻找关于事实的论点。有些论点是为了提供事实的解释,而有些则挑战这些解释等等。在这里,论证的根源是因果联系({A_1,.,A_n}导致B)和本体链接(o_1 is_a o_2)。我们提出了一个系统,提供了一个候选解释({A_1,.,A_n}解释{B_1,.,B_m}),通过诉诸一个潜在的因果关系与适当的本体论联系证实。论证就是从这些不同的解释环节中展开的。一个案例研究:2010年一场严重的风暴Xynthia摧毁了法国的部分地区,造成了无法解释的大量伤亡。
2014-01-16 cs.AI
A Probabilistic Calculus of Actions
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
我们提出了一个象征性的机器,承认一个给定的域的概率和因果关系的信息,并产生概率陈述的影响的行动和观察的影响。微积分允许两种类型的条件运算符:普通贝叶斯条件,P(y| X = x),它表示观察X = x,以及因果条件作用P(y| do(X = x)),读取通过故意动作保持X恒定(在x处)的条件下Y = y的概率。给定这样的观察和因果语句的混合物,以及因果图的拓扑结构,演算得出这两种类型的新的条件概率,从而使人们能够从部分指定的知识库中量化行动(和政策)的影响,例如贝叶斯网络,其中一些条件概率可能不可用。
2013-02-27 cs.AI
Causal computations in Semi Markovian Structural Causal Models using divide and conquer
本文研究将Bjøru等人的分治反事实概率边界算法从马尔可夫结构因果模型扩展到半马尔可夫模型,分析扩展挑战并提出替代策略,通过理论与计算研究评估策略。
2025-11-17 cs.AI
Epsilon-Identifiability of Causal Quantities
University of California, Los Angeles(加州大学洛杉矶分校)
本文提出ε-可识别性概念,解决部分因果概率无法完全识别的问题,通过限制亚群行为实现近似识别,并将其应用于单元选择问题。
2026-10-28 cs.AI math.ST stat.TH
Obtaining Accurate Probabilistic Causal Inference by Post-Processing Calibration
University of Pittsburgh(匹兹堡大学);Harvard University(哈佛大学)
从观测数据中发现准确的因果贝叶斯网络结构在许多科学领域都很有用。发现往往是在不确定的情况下做出的,这种不确定性可以用概率来表示。为了指导这些发现的使用,包括指导进一步的调查,必须对这些概率进行良好的校准。在本文中,我们引入了一个新的框架,从观测数据中获得校准的因果关系的概率。该框架由三个部分组成:(1)用于为每对变量生成边缘类型的初始概率估计的近似方法,(2)在真实状态已知的网络中相对少量的因果关系的可用性,我们称之为校准训练集,以及(3)校准方法,用于使用近似概率估计和校准训练集来为许多剩余的变量对生成校准概率。我们还介绍了一种新的校准方法的基础上浅神经网络。我们的模拟数据的实验支持,所提出的方法提高了因果边缘预测的校准。结果还支持该方法通常提高预测的精确度和召回率。
2017-12-22 cs.AI cs.LG stat.ML
Inter-causal Independence and Heterogeneous Factorization
Hong Kong University of Science and Technology(香港科技大学);University of British Columbia(不列颠哥伦比亚大学)
众所周知,条件独立性可以用于将联合概率分解为条件概率的乘积。本文提出了一种构造性的因果间独立性的定义,它可以用来进一步分解条件概率。提出了一种利用条件独立性和因果间独立性来降低贝叶斯网络推理复杂度的推理算法。
2013-02-27 cs.AI
Decomposition of Probabilities of Causation with Two Mediators
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文研究含两个中介变量时如何将总必要性与充分性概率(PNS)分解为路径特定成分,提出识别定理并通过数值实验和真实教育数据验证方法。
2025-05-08 cs.AI stat.ME
Causal inference for data-driven debugging and decision making in cloud computing
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
云计算涉及复杂的技术和经济系统和交互。这带来了各种挑战,其中两个是:(1)在沙箱实验的帮助下,调试和控制以优化计算系统的性能,以及(2)对用于云客户端决策的“点”资源的成本的隐私保护预测。在本文中,我们正式调试反事实的概率和控制后(软)干预概率。我们证明了反事实可以近似地从“随机”图形因果模型中计算出来(而它们最初只定义为“确定性”功能因果模型),并基于这个草图,提出了一种数据驱动的方法来解决问题(1)。为了解决问题(2),我们通过后(软)干预概率形式化投标,并提出了一个简单的数学结果近似积分的“不完全”的条件概率分布。我们展示了云客户端如何使用这一点来权衡隐私与玩具场景中投标行为结果的可预测性。我们报告模拟和真实数据的实验。
2020-03-10 cs.AI cs.DC
Causal Modeling
Rome Laboratory(罗马实验室)
因果模型就像依赖图和信念网一样,它们提供了一个结构和一组假设,原则上可以计算出联合分布。与依赖图不同,因果模型是分层和/或并行过程的模型,而不是模型构建者通过某种完形(gestalt)(部分)已知的分布模型。因此,因果模型比依赖图模型更模块化,更容易构建,更直观,更容易理解。本文给出了因果关系模型的形式化定义,并证明了依赖图模型是因果关系模型的一个特例。给出了支持推理的算法。简约的方法引出相关的概率。
2013-03-06 cs.AI
Knowledge Engineering for Large Belief Networks
Stanford University(斯坦福大学)
我们提出了几种技术的知识工程的大型信念网络(BN)的基础上,我们的经验与网络来自一个大型的医学知识库。noisyMAX是noisy-“或”门的推广,用于在具有多值变量的BN中对因果依赖进行建模。我们描述了使用泄漏概率来执行我们的模型中的封闭世界假设。我们提出了Netview,一个可视化工具的基础上的因果关系的独立性和使用泄漏概率。Netview软件允许知识工程师动态查看知识工程的子网,并提供编辑BN的版本控制。Netview生成子网络,其中泄漏概率动态更新以反映网络的缺失部分。
2013-02-27 cs.AI
Causal Lifting and Link Prediction
Vector Institute(向量研究所);Purdue University(普渡大学);Intel Labs(英特尔实验室)
针对路径依赖的链接形成问题,提出首个处理该依赖的因果链接预测模型,引入因果提升概念以利用有限干预数据识别因果查询,并证明结构性成对嵌入比现有节点嵌入偏差更低且能正确表示因果结构。
2023-07-27 cs.AI cs.LG stat.ME
Multimodal Causal Reasoning Benchmark: Challenging Vision Large Language Models to Discern Causal Links Across Modalities
School of Computer Science, The University of Sydney(计算机科学学院,悉尼大学)
本文提出多模态因果推理基准MuCR,利用合成孪生图像和文本对挑战MLLMs,发现其跨模态推理弱于纯文本,并开发VcCoT策略通过突出视觉线索有效增强该能力。
2025-05-26 cs.AI cs.CV
Linking a predictive model to causal effect estimation
University of South Australia(南澳大学)
本文解决了估计任意特征对给定实例结果的因果效应问题,证明满足特定条件的预测模型可进行因果可解释估计,且准确性与先进因果方法相当,适用于鲁棒预测与个性化决策。
2023-04-10 cs.AI cs.LG stat.ME
Algorithmic Causal Effect Identification with causaleffect
Universitat de Barcelona(巴塞罗那大学)
当我们理解了原因和结果之间的关系时,我们作为一个物种的进化向前迈出了一大步。这些关联对于某些事件来说可能是微不足道的,但在复杂的场景中却并非如此。为了严格证明某些事件是由其他事件引起的,因果理论和因果推理被形式化,引入了$do$算子及其相关规则。本报告的主要目标是回顾并在Python中实现一些算法,以从观察数据中计算条件和非条件因果查询。为此,我们首先提出了一些基本的背景知识概率和图论,在引入重要成果的因果理论,用于建设的算法。然后,我们深入研究了Shpitser和Pearl在2006年提出的识别算法,并解释了我们在Python中的实现。主要的识别算法可以看作是$do$演算规则的重复应用,它最终要么从实验概率返回因果查询的表达式,要么无法识别因果效应,在这种情况下,该效应是不可识别的。我们介绍了我们新开发的Python库,并给出了一些使用示例。
2021-07-09 cs.AI cs.MS math.ST