Causal Effect Identifiability in Causal Abstractions: A Strict Hierarchy of Criteria
Univ Grenoble Alpes(格勒诺布尔大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔综合理工学院);LIG(信息与信号处理实验室);Université de Lorraine(洛林大学);CRAN(自动控制与微计算机研究中心);imag(格勒诺布尔计算机科学与应用数学研究所)
本文针对因果抽象场景,将可识别性概念组织为层次结构,证明了因果效应可在一组图上被识别却无统一推导,填补了现有文献空白并澄清了歧义。
2026-10-12 cs.AI
Identifiability in Causal Abstractions: A Hierarchy of Criteria
Univ Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(国家科学研究中心);Grenoble INP(格勒诺布尔研究所);LIG(实验室);Université de Lorraine(洛林大学);IECL(信息学与计算实验室)
本文针对因果抽象(即因果图集合)中的因果查询,提出并形式化多种可识别性标准,并将其组织为层级体系,以在缺乏完整因果图时辅助识别推理。
2025-07-08 cs.AI
Jointly Learning Consistent Causal Abstractions Over Multiple Interventional Distributions
University of Warwick(华威大学);The Faraday Institution(法拉第研究所)
本文提出首个基于Rischel形式化的SCM间因果抽象学习框架,采用可微编程联合求解组合子问题,并在合成及电动汽车电池制造现实任务中验证了其优于独立和顺序方法。
2023-05-07 cs.AI
Factored space models: Towards causality between levels of abstraction
Machine Intelligence Research Institute(机器智能研究所);University of Amsterdam(阿姆斯特丹大学);Goethe University Frankfurt(法兰克福大学);IT University of Copenhagen(哥本哈根信息技术大学)
针对因果图难以处理多抽象层级确定性关系的问题,提出分解空间模型以自然表示各层级的概率与确定性关系,并证明结构独立性与统计独立性等价,推广了d-分离定理。
2024-12-20 cs.AI
Abstracting Causal Models
Utrecht University(乌得勒支大学);Cornell University(康奈尔大学)
我们考虑因果模型抽象的一系列限制性更强的定义,从Rubenstein等人(2017)引入的适用于概率因果模型的精确变换概念开始,移动到适用于确定性因果模型的统一变换概念,并且不允许差异被“正确”的分布选择隐藏,然后抽象,其中感兴趣的干预由从低级状态到高级状态的映射确定,以及强抽象,它更认真地对待模型中的所有潜在干预,而不仅仅是允许的干预。我们表明,程序相结合的微观变量到宏观变量的实例,我们的概念强抽象,是所有的例子认为鲁宾斯坦等人。
2019-07-09 cs.AI
Neural Causal Abstractions
Columbia University(哥伦比亚大学)
本文提出一种通过聚类变量及其域构建的神经因果抽象方法,结合神经因果模型与表示学习,在有限数据和高维图像场景下实现可学习的多粒度因果识别、估计与采样。
2024-02-23 cs.AI cs.LG
Learning Causal Abstractions of Linear Structural Causal Models
Università di Pisa(比萨大学);University of Amsterdam(阿姆斯特丹大学)
针对线性因果模型的因果抽象条件不明及从数据学习因果抽象的难题,该研究刻画了高低层模型的约束关系,提出Abs-LiNGAM方法,在非高斯噪声假设下加速低层模型恢复,提升因果发现可扩展性。
2024-06-01 cs.AI cs.LG stat.ME
Abstraction between Structural Causal Models: A Review of Definitions and Properties
University of Warwick(华威大学)
结构因果模型(SCM)是处理因果系统的一种普遍形式。最近的一个研究方向已经考虑了在不同的抽象层次上正式关联SCM的问题,通过定义SCM之间的映射并施加干预一致性的要求。本文提供了一个审查到目前为止提出的解决方案,专注于SCM之间的映射的形式属性,并突出显示这些属性可能会被强制执行的不同层(结构,分布)。这使我们能够区分抽象族,通过选择保证某些属性而不是其他属性,这些抽象族可能被允许,也可能不被允许。这样的理解不仅允许区分具有更多意识的因果抽象的提议,而且还允许根据与特定应用相关的抽象形式来定制抽象的定义。
2022-07-18 cs.AI cs.LG
Property-driven Causal Abstractions for Markov Decision Processes
Ruhr-University Bochum(波鸿鲁尔大学);Eindhoven University of Technology(埃因霍温理工大学);Oxford University(牛津大学);Radboud University(拉德堡德大学)
本研究针对马尔可夫决策过程(MDPs)提出属性驱动因果抽象技术,通过保留模型特性缩减规模,经理论与实验验证,该技术可生成小型抽象模型以计算近最优策略,且能推广至大规模MDP模型。
2026-08-10 cs.AI cs.LO
When Do Learned Blocks Preserve Causal Meaning? Block Identifiability and Constructive Causal Abstractions
University of Tübingen(蒂宾根大学);ELLIS Institute Tübingen(ELLIS蒂宾根研究所);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
该研究探讨学习模块的因果意义保留问题,关联模块可识别性与构造性因果抽象,证明特定变换类可保留因果抽象,实验显示高层干预可在独立学习的表示间近似转移效果。
2026-10-16 cs.AI cs.LG
Formalizing and falsifying causal pathways of rare events
Amazon Research(亚马逊研究)
本文在结构方程模型中罕见事件根因分析的形式化基础上,提出因果路径的形式定义并讨论其可检验含义,引入罕见事件因果路径的抽象以桥接简单因果解释与详细因果建模。
2026-05-29 cs.AI
Causal Abstraction in Model Interpretability: A Compact Survey
School of Mathematical Sciences, Peking University(北京大学数学科学学院)
本文综述因果抽象在模型可解释性中的作用,梳理其理论基础、实际应用及对解释复杂模型因果机制的意义。
2024-10-26 cs.AI cs.CL cs.LG
Distributionally Robust Causal Abstractions
本文提出分布鲁棒因果抽象方法,通过最小最大优化和Wasserstein模糊集提升因果抽象的鲁棒性,适用于环境变化和模型不准确场景。
2026-01-21 cs.AI cs.LG
Causal and Compositional Abstraction
Quantinuum(昆廷努姆公司)
本文提出基于范畴论的因果抽象新方法,统一了多种因果抽象概念,并扩展到量子计算领域以提升可解释性AI。
2026-02-18 cs.AI cs.LO math.CT
Validating Causal Abstraction Metrics on Simulated Complex Systems
Université Grenoble Alpes, CNRS, Grenoble INP, LIG(格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔INP、LIG实验室);ETH Zürich(苏黎世联邦理工学院)
本研究在十个复杂系统上评估三十多种候选度量,发现只有包含未映射变量忠实性检验的因果度量能可靠区分有效与无效抽象,并提出了因果抽象误差(CAE)作为通用有效性度量。
2026-07-02 cs.AI cs.LG
How Causal Abstraction Underpins Computational Explanation
探讨系统如何在合适表征载体上实现给定计算,认为因果语言尤其是因果抽象理论可提供视角,结合深度学习讨论相关主题,给出基于因果抽象的计算实现说明并研究表征作用,指出与泛化和预测相关探讨最有成效。
2026-07-10 cs.AI cs.CL cs.LG
Causal Abstractions of Neural Networks
Stanford(斯坦福大学)
结构分析方法(例如,探测和特征属性)是神经网络分析的越来越重要的工具。我们提出了一种新的结构分析方法接地因果抽象的形式理论,提供了丰富的模型内部表示及其在输入/输出行为中的作用的特点。在该方法中,神经表征与可解释因果模型中的变量对齐,然后使用交换干预来实验验证神经表征具有其对齐变量的因果属性。我们将这种方法应用于案例研究中,以分析在多重量化自然语言推理(MQNLI)语料库上训练的神经模型,MQNLI语料库是一个高度复杂的NLI数据集,它是用树结构的自然逻辑因果模型构建的。我们发现,一个基于BERT的模型与国家的最先进的性能成功地实现了自然逻辑模型的因果结构的一部分,而一个更简单的基线模型未能显示任何这样的结构,表明BERT表示编码的MQNLI的组成结构。
2021-10-27 cs.AI cs.LG
The Causal Information Bottleneck and Optimal Causal Variable Abstractions
Department of Information and Computing Sciences(信息与计算科学系)
针对传统信息瓶颈忽视因果结构的问题,提出因果信息瓶颈 CIB,在压缩变量的同时保持对目标变量的因果控制,并通过实验验证其抽象能准确捕捉因果关系。
2025-06-11 cs.AI cs.IT cs.LG
Heads or Tails: A Simple Example of Causal Abstractive Simulation
该研究以抛硬币模拟为例,阐释因果抽象模拟的形式化方法,说明其可验证语言模型的系统模拟能力,为语言模型模拟研究提供因果理论基础,还为AI哲学及因果抽象领域带来新视角。
2025-09-01 cs.AI
Identifiability of total effects from abstractions of time series causal graphs
Sorbonne Université(索邦大学);INSERM(法国国家健康与医学研究院);Institut Pierre Louis d’Epidémiologie et de Santé Publique(皮埃尔·路易流行病学与公共卫生研究所);EasyVista(易视塔公司);Univ Grenoble Alpes(格勒诺布尔大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔理工学院);LIG(信息与信号处理实验室);INRIA(法国国家信息与自动化研究所);Université of Rennes 2(雷恩第二大学)
针对仅能获取时间序列因果图抽象形式的场景,研究干预总效应的可识别性,证明扩展摘要因果图中总效应始终可识别,给出摘要因果图可识别性的充分条件及对应调整集。
2025-02-16 cs.AI math.ST stat.TH
Finding Alignments Between Interpretable Causal Variables and Distributed Neural Representations
Stanford University(斯坦福大学)
本文提出分布式对齐搜索(DAS),用梯度下降替代暴力搜索,并允许神经元在分布式表示中承担多重角色,从而更有效地发现训练神经网络中的概念结构。
2024-02-21 cs.AI
Modeling Discrimination with Causal Abstraction
UC Berkeley(加州大学伯克利分校);Princeton(普林斯顿大学);Caltech(加州理工学院);Stanford(斯坦福大学)
本文提出一种因果抽象框架,将种族视为低层社会特征的高层抽象,通过明确陈述社会建构假设来保证模块性,从而在保留精确因果解释的同时厘清歧视建模中的理论分歧。
2025-08-21 cs.AI cs.CY
Building Minimal and Reusable Causal State Abstractions for Reinforcement Learning
本文提出因果双模拟建模(CBM),通过学习任务动态与奖励中的因果关系,构建最小且可复用的任务特定状态抽象,从而在操作环境和Deepmind Control Suite中实现接近预言机的样本效率并优于基线。
2024-01-23 cs.AI cs.LG cs.RO
ACCESS : A Benchmark for Abstract Causal Event Discovery and Reasoning
Monash University(莫纳什大学)
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。
2025-02-12 cs.AI
Multi-Level Causal Embeddings
University of Bergen(卑尔根大学)
本文提出多层次因果嵌入框架,通过多分辨率边缘问题实现多个详细模型与粗略因果模型的映射,用于数据集的合并与因果关系的保留。
2026-02-27 cs.AI cs.LG
Causal Optimal Transport of Abstractions
University of Warwick(华威大学);University of Bergen(卑尔根大学);University of Edinburgh(爱丁堡大学)
本研究提出COTA方法,通过带do-演算约束的多边缘最优传输从观测与干预数据学习因果抽象映射,无需已知完整SCM,在多类任务中优于对比方法且可作为有效数据增强工具。
2023-12-13 cs.AI cs.LG stat.ML
Learning Consistent Causal Abstraction Networks
本文提出了一种基于sheaf理论的因果抽象网络学习方法,通过高斯SCMs和构造性线性因果抽象的转置,实现因果知识的结构化学习与恢复。
2026-02-02 cs.AI cs.LG eess.SP
Causal Mechanism Reduction: Mechanism Replacement for Neural Network Pruning and Abstraction
Vanderbilt University Medical Center(范德比尔特大学医学中心)
研究神经网络哪些内部机制可替换以保持计算,引入因果机制约简框架,将训练网络视为因果模型,替换变量并编译成更小网络,推导统一目标,其特殊情况涵盖多种方法,还揭示不变性要求,实验表明该框架有优势。
2026-07-07 cs.AI cs.LG
Combining Causal Models for More Accurate Abstractions of Neural Networks
University of Amsterdam(阿姆斯特丹大学);Pr(Ai)²R Group(Pr(Ai)²R 组)
针对单一高级算法难以忠实抽象神经网络的问题,本文提出组合多个简单因果模型并按输入建模计算状态,以在解释范围与交换干预准确率之间调节,提升对微调 GPT 2-small 的抽象准确性。
2025-03-14 cs.AI cs.LG
Retrieving Classes of Causal Orders with Inconsistent Knowledge Bases
Sorbonne Université, INSERM, Institut Pierre Louis d’Epidémiologie et de Santé Publique(索邦大学,法国国家健康与医学研究院,皮埃尔·路易流行病学与公共卫生研究所)
本文提出通过LLM计算变量对一致性分数,构建半完全偏图以提取因果顺序抽象,从而有效恢复正确因果顺序,提供可靠的因果框架。
2026-03-30 cs.AI
Networks of Causal Abstractions: A Sheaf-theoretic Framework
DIET Sapienza University of Rome(Sapienza罗马大学DIET)
本文提出因果抽象网络(CAN)框架,通过她夫理论统一多个上下文依赖因果机制模型,解决分布式智能体间因果视角协调问题,实现因果学习与推理。
2026-04-28 cs.AI cs.LG eess.SP
Comparing Causal Frameworks: Potential Outcomes, Structural Models, Graphs, and Abstractions
Stanford University(斯坦福大学)
该研究从中立逻辑视角比较RCM与SCM因果框架,明确RCM可被SCM表示的条件,证明所有RCM都是可表示RCM的抽象,还阐释了SCM原则的应用价值与图的代数约束,推动两类框架的对比研究。
2023-11-06 cs.AI cs.LG cs.LO
Loss Bounds for Approximate Influence-Based Abstraction
Delft University of Technology(代尔夫特理工大学)
序贯决策技术在提高许多现实系统的性能方面有着巨大的潜力,但计算复杂性阻碍了其原则性应用。基于影响的抽象旨在通过对局部子问题以及系统其余部分对它们施加的“影响”进行建模来获得杠杆作用。虽然计算这种影响的精确表示可能是棘手的,但学习近似表示提供了一种有前途的方法来实现可扩展的解决方案。本文从理论的角度研究了这种方法的性能。的主要贡献是推导出的充分条件近似的影响表示,可以保证解决方案的小价值损失。特别是,我们表明,交叉熵训练的神经网络非常适合学习近似的影响表示。此外,我们提供了一个基于样本的制定的界限,这减少了差距的应用。最后,我们的理论见解的驱动下,我们提出了近似误差估计,经验显示,以及相关的价值损失。
2021-02-23 cs.AI
Near Optimal Behavior via Approximate State Abstraction
Brown University(布朗大学);Carnegie Mellon University(卡内基梅隆大学)
困扰规划和强化学习(RL)算法的组合爆炸可以使用状态抽象来缓和。过大的任务表示可以被压缩,从而保留必要的信息,因此,解决方案是可追踪计算的。然而,只将完全相同的情况视为等效的精确抽象,无法在没有两种情况完全相同的环境中提供抽象的机会。在这项工作中,我们调查近似的状态抽象,这几乎等同的情况下对待。我们提出了从四种类型的近似抽象中推导出的行为质量的理论保证。此外,我们的经验表明,近似抽象导致减少任务的复杂性和有限的损失,在各种环境中的最优行为。
2017-01-15 cs.AI cs.LG
Invariant Causal Prediction for Block MDPs
McGill University(麦吉尔大学);Mila(米拉研究所);Facebook AI Research(脸书人工智能研究院);University of Oxford(牛津大学);Deepmind(深度思维)
跨环境的泛化对于将强化学习算法成功应用于现实世界的挑战至关重要。在本文中,我们考虑的问题,学习抽象概括块MDP,家庭的环境与共享的潜在状态空间和动态结构的潜在空间,但不同的意见。我们利用因果推理的工具,提出了一种不变预测的方法来学习模型无关状态抽象(MISA),该模型无关状态抽象概括为多环境中的新观测。我们证明,对于某些类的环境,这种方法输出的状态抽象对应的因果特征集相对于回报的概率很高。我们进一步提供了更一般的边界模型误差和泛化误差在多环境设置,在因果变量的选择和状态抽象框架之间的连接的过程中,MDP。我们给出的经验证据表明,我们的方法在线性和非线性设置下都有效,在单任务和多任务基线上实现了更好的泛化。
2020-06-11 cs.AI cs.LG stat.ML
Causal Abstraction Learning based on the Semantic Embedding Principle
Sapienza University(罗马大学);National Inter-University Consortium for Telecommunications (CNIT)(国家大学电信联盟(CNIT));University of Bergen(卑尔根大学)
本文提出基于语义嵌入原则的因果抽象学习框架,通过范畴论方法在概率测度间寻找态射,并针对线性CA结合高斯测度与KL散度开发三种黎曼优化算法,在合成与真实脑数据上验证了有效性。
2025-05-31 cs.AI cs.LG
Compositional Abstraction Error and a Category of Causal Models
University of Strathclyde(思克莱德大学);University of Copenhagen(哥本哈根大学)
干预因果模型描述了用于描述系统的一些变量的几个联合分布,每个干预设置一个。它们为如何在不同的联合分布之间移动提供了一个正式的处方,并在干预系统时对变量进行预测。然而,很难正式化我们如何改变用于描述系统的底层变量,例如从细粒度变量移动到粗粒度变量。在这里,我们认为,复合性是一个必要的模型转换和相关的错误:当抽象的参考模型M迭代,首先获得M',然后进一步简化,以获得M“,我们希望从M到M”的复合转换存在,其误差是由每个单独的转换步骤所产生的误差。范畴论,通过它们之间的组合变换来研究数学对象,提供了一种自然语言来开发我们的模型转换和抽象框架。我们引入一类有限的干预因果模型,并利用丰富的类别理论,证明我们的框架所需的组合属性。
2021-08-05 cs.AI cs.LG cs.LO
PLOT: Progressive Localization via Optimal Transport in Neural Causal Abstraction
Cornell University(康奈尔大学)
PLOT通过最优传输框架实现因果变量的定位,能够在不同复杂度的实验中高效定位因果抽象,提升因果解释的效率和准确性。
2026-10-06 cs.AI cs.LG stat.ML
Causally Abstracted Multi-armed Bandits
University of Bergen(卑尔根大学);University of Oxford(牛津大学);University of Warwick(华威大学)
本文提出因果抽象多臂老虎机(CAMAB)框架,通过抽象映射关联不同变量和粒度的因果MAB,实现迁移学习,并给出学习算法及遗憾分析,在在线广告场景中验证了方法的优劣。
2024-07-17 cs.AI cs.LG
Proximity-Based Non-uniform Abstractions for Approximate Planning
Monash University(莫纳什大学)
在一个确定性的世界里,一个规划主体可以确定其规划的行动序列的后果。然而,在通常使用马尔可夫决策过程的动态随机域中,情况并非如此。不幸的是,这些都受到维数灾难的影响:如果状态空间是许多小集合(维度)的笛卡尔乘积,那么规划在这些维度的数量上是指数级的。我们的新技术利用了选择性地忽略状态空间不同部分中的各种维度的直观策略。由此产生的非均匀性有很强的影响,因为近似不再是马尔可夫,需要使用修改后的计划。我们还使用了一个空间和时间的接近度的措施,它响应于持续的规划,以及通过状态空间的代理的运动,动态地适应规划进展的抽象。我们提出了定性和定量的结果,在一系列的实验领域表明,代理利用这种新的近似方法成功地找到解决方案的规划问题,使用远少于完整的状态空间。我们评估和分析我们的方法可以利用的域的功能。
2014-01-18 cs.AI
Certifying Interventional Agreement Among Observationally Equivalent Causal Models
本文提出干预分离选择(ISS)方法,通过查询干预来认证观测等价因果模型在干预下的一致性,并在连续变量上精确判定停止条件,实验证明其能有效审计网络因果抽象。
2026-09-29 cs.AI cs.LG
Conditioning Methods for Exact and Approximate Inference in Causal Networks
Rockwell Science Center(罗克韦尔科学中心)
我们提出了因果网络中精确和近似推理的两种算法。第一个算法,动态条件,是一个改进的割集条件,具有线性复杂性的一些网络,其中割集条件是指数。第二个算法,B-条件,是一个算法的近似推理,允许一个折衷的质量近似计算时间。我们还提出了一些实验结果说明所提出的算法的性能。
2013-02-20 cs.AI
Approximate Exploration through State Abstraction
虽然从理论的角度来看,强化学习的探索是很好的理解,可证明正确的方法仍然是不切实际的。在本文中,我们研究探索和近似之间的相互作用,我们称之为近似探索。我们的主要目标是进一步我们对基于伪计数的探索奖金的理论理解(Bellemare等人,2016年),一个基于密度建模的实用勘探方案。作为热身,我们量化的探索算法,MBIE-EB(Strehl和Littman,2008年),明确结合状态聚合时的性能。这使我们能够确认,正如预期的那样,近似允许代理在学习速度和学习策略的质量之间进行权衡。接下来,我们将展示一个给定的密度模型如何与抽象相关联,以及相应的伪计数奖金可以作为MBIE-EB中的替代品与此抽象相结合,但可能会导致探索不足或过度。然后,我们表明,一个给定的密度模型也定义了一个隐式的抽象,并找到一个令人惊讶的不匹配的伪计数隐式或显式派生。最后,我们得到了一个新的伪计数奖金缓解这个问题。
2019-01-24 cs.AI cs.LG stat.ML
Approximate State Abstraction for Markov Games
The University of Electro-Communications(电气通信大学);CyberAgent
本文研究双人零和马尔可夫博弈的状态抽象方法,通过合并状态降低计算均衡的难度,推导了对偶间隙的界限以评估抽象后博弈均衡解与原博弈的距离,并在马尔可夫足球中验证了该方法。
2024-12-20 cs.AI cs.GT cs.MA
Relaxing partition admissibility in Cluster-DAGs: a causal calculus with arbitrary variable clustering
Univ Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔理工学院);LIG(格勒诺布尔信息实验室);University of Münster(明斯特大学);Institute of Medical Informatics(医学信息学研究所);Université de Lorraine(洛林大学);CRAN(自动控制研究中心)
本研究通过放宽划分可容许性约束扩展了 C-DAG 框架,使其支持任意变量聚类和环状结构,并将 d-分离与因果演算推广至该设定,从而拓宽了跨簇因果推理的范围。
2025-11-03 cs.AI stat.ME
Abstract Event Causal Rules: Induction and Application
School of Electronic Information and Communications, Huazhong University of Science and Technology(华中科技大学电子信息与通信学院)
本研究针对现有实例级因果对泛化缺陷,提出抽象事件因果规则(AECR)及相关归纳系统,构建知识库并设计 AR-GCAE 模型注入 AECR,在 CGEP 任务中提升了事件因果推理与预测性能,尤其对稀有未见样本效果显著。
2026-08-07 cs.AI
Orientability of Causal Relations in Time Series using Summary Causal Graphs and Faithful Distributions
Sorbonne Université(索邦大学);INSERM(国家卫生研究院);Institut Pierre Louis d’Epidémiologie et de Santé Publique(流行病与公共卫生研究所)
本文研究了在总结因果图和忠实分布下,时间序列中因果关系的可定向性,提供理论保证以指导微尺度边定向,提升复杂时间系统中的因果发现。
2026-03-12 cs.AI stat.ME
CAuSE: Decoding Multimodal Classifiers using Faithful Natural Language Explanation
Indian Institute of Technology Patna(印度理工学院帕纳瓦分校);Queen’s University Belfast(贝尔法斯特女王大学)
CAuSE提出了一种生成多模态分类器忠实自然语言解释的新框架,通过因果抽象和交换干预提升解释的因果忠实性,并在多模态设置中验证其有效性。
2025-12-07 cs.AI cs.CL
CausalARC: Abstract Reasoning with Causal World Models
CausalARC通过因果世界模型进行低数据和分布外推理,结合原则性数据增强提供少量示例反馈,用于评估语言模型在抽象推理、反事实推理、程序合成和因果发现中的表现。
2026-03-19 cs.AI cs.CL cs.LG
Logic Synthesis Optimization with Predictive Self-Supervision via Causal Transformers
Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对逻辑综合优化中数据稀缺和泛化问题,提出LSOformer,利用因果Transformer和预测性自监督学习预测QoR轨迹,在多个数据集上显著提升预测精度。
2025-02-28 cs.AI cs.LG
Measure-Theoretic Anti-Causal Representation Learning
Illinois Institute of Technology(伊利诺伊理工学院)
针对反因果场景下因果表示学习的独特挑战,提出基于测度论的ACIA双层框架,通过干预核适配不同干预、无需显式因果结构、适配高维数据且有分布外泛化理论保证,实验及理论验证其性能优于现有方法。
2025-10-16 cs.AI cs.LG stat.ME
From Local to Cluster: A Unified Framework for Causal Discovery with Latent Variables
Zongyu Li(李宗宇)
本文提出L2C框架,通过自动发现局部因果模式来实现集群层面的因果发现,无需假设因果充分性,理论分析证明其正确性与效率,实验验证其在合成和真实数据中优于现有方法。
2026-08-12 cs.AI cs.LG
Variational Causal Networks: Approximate Bayesian Inference over Causal Structures
ETH Zurich(苏黎世联邦理工学院);Mila(米拉人工智能研究所);Université de Montréal(蒙特利尔大学);ElementAI;ServiceNow;MPI for Intelligent Systems(马克斯·普朗克智能系统研究所);CIFAR(加拿大高等研究院)
学习数据背后的因果结构是实现强大的现实世界决策的关键一步。因果推理中的大多数现有工作集中于确定单个有向无环图(DAG)或其马尔可夫等价类。然而,一个关键的方面,智能地采取行动的知识因果结构,已推断出从有限的数据要求推理其不确定性。例如,计划干预以了解更多关于管理我们数据的因果机制的信息,需要量化DAG的认知不确定性。虽然贝叶斯因果推理允许这样做,但即使对于少量变量,DAG的后验也变得难以处理。为了克服这个问题,我们提出了一种形式的变分推理的结构因果模型(SCM)的图。为此,我们引入了一个参数变分家庭建模的自回归分布在离散DAG的空间。它的参数数量不会随着变量的数量呈指数增长,并且可以通过最大化证据下限(ELBO)来学习。在我们的实验中,我们证明了所提出的变分后验是能够提供一个很好的近似的真实后验。
2021-06-14 cs.AI cs.LG stat.ML
Causal datasheet: An approximate guide to practically assess Bayesian networks in the real world
University of Sussex(萨塞克斯大学);Surgo Foundation(苏尔戈基金会);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院);University of Washington(华盛顿大学)
在解决现实世界的问题,如改变就医行为,设计干预措施,以改善下游的结果需要了解系统内的因果关系。因果贝叶斯网络(BN)已经被提出作为这样一个强大的方法。然而,在现实世界的应用中,对BN结果的信心通常最多是中等的。这在一定程度上是由于无法验证一些基本事实,因为DAG不可用。如果学习到的DAG与预先存在的域原则冲突,这尤其成问题。在政策一级,必须证明这种分析所产生的见解是正确的,最好是伴随着不确定性估计。在这里,我们提出了Gebru等人(2018)提出的贝叶斯概念的因果扩展,以包括任何给定数据集的近似BN性能预期。为了生成原型因果数据表的结果,我们构建了超过30,000个具有真实数据特征的属性的合成数据集。然后,我们记录了最先进的结构学习算法给出的结果。这些结果用于填充因果数据表,并根据预期性能自动生成建议。作为概念验证,我们使用我们的因果数据表生成工具(CDG-T)来分配预期的性能期望,我们在印度北方邦进行的孕产妇健康调查。
2020-03-12 cs.AI cs.LG cs.PF