Causal Inference: A Missing Data Perspective
推断治疗的因果效应是许多学科的中心目标。潜在结果框架是因果推断的主要统计方法，其中因果效应被定义为在不同治疗条件下相同单位的潜在结果的比较。因为对于每个单元，最多观察到一个潜在结果，而其余结果缺失，所以因果推断本质上是一个缺失数据问题。事实上，因果推断和缺失数据之间在术语和推理框架上有着密切的相似之处。尽管这两个学科之间存在着内在的联系，但因果推断和缺失数据的统计分析在目的、设置和方法上也存在着明显的差异。本文从缺失数据的角度对因果推断进行了系统的综述。针对可验证的治疗分配机制，我们讨论了广泛的因果推断方法，这些方法在缺失数据分析中具有类似性，例如插补，逆概率加权和双稳健方法。在每一个三种模式的推理-频率，贝叶斯和Fisherian随机化-我们提出了一般结构的推理有限样本和超人口估计，并通过具体的例子说明。我们确定了开放的问题，以激励更多的研究，以弥合这两个领域。
2018-01-03 stat.ME
Interpret the estimand framework from a causal inference perspective
University of Auckland（奥克兰大学）；Jiangsu Hengrui Pharmaceuticals Co. Ltd.（江苏恒瑞医药股份有限公司）
本文从因果推断角度解释估计量框架，探讨其统计起源、公式及分析策略，提出新的分析方法，比较目标人群与分析集的角色。
2025-12-06 stat.AP stat.OT
Direct and Indirect Effects -- An Information Theoretic Perspective
信息理论（IT）的方法来量化因果关系的影响已经经历了一些流行的文献，在理论和应用（如神经科学和气候科学）领域。虽然这些因果测量是可取的，因为它们是模型不可知的，可以捕获非线性相互作用，但它们与因果影响的常见统计概念有根本不同，因为它们（1）比较效应的分布，而不是效应的值;（2）相对于代表原因的随机变量而不是原因的特定值定义。在这里，我们提出了直接，间接和总的因果关系的IT措施。拟议的措施是不同的现有的IT技术，因为它们能够测量因果关系的影响，定义相对于特定的价值的原因，同时仍然提供灵活性和IT技术的普遍适用性。我们提供了一个可识别的结果，并展示了应用所提出的措施，估计厄尔尼诺-南方涛动的因果关系在北美太平洋西北部的温度异常的影响。
2020-07-28 cs.IT math.IT stat.AP
Panel Experiments and Dynamic Causal Effects: A Finite Population Perspective
在小组实验中，我们随机分配单元到不同的干预措施，测量其结果，并在几个时期重复该过程。使用潜在的结果框架，我们定义有限的人口动态因果效应，捕获替代治疗路径的相对有效性。对于一类丰富的动态因果效应，我们提供了一个非参数估计，是无偏的随机化分布，并得出其有限的人口极限分布无论是样本量或持续时间的实验增加。我们开发了两种推理方法：弱零假设的保守检验和尖锐零假设的精确随机化检验。进一步分析了线性固定效应估计的有限总体概率极限。这些常用的估计不恢复因果可解释的估计，如果有动态因果效应和序列相关的任务，突出了我们提出的估计的价值。
2021-05-27 math.ST stat.ME stat.TH
How causal perspectives can inform neuroscience data analysis
本综述探讨观察性神经科学研究中的因果归因问题，系统引入因果推断框架，通过睡眠质量与白质完整性的示例及多站点协调等案例，展示如何识别混杂与选择偏差，为实验设计和分析选择提供具体工具，以加强因果解释并促进更稳健的研究方法。
2025-11-01 q-bio.OT stat.OT
Causal Discovery from Temporal Data: An Overview and New Perspectives
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；School of Mathematical Sciences, Fudan University（复旦大学数学科学学院）
本文系统综述了从时间数据中发现因果关系的方法，涵盖多变量时间序列与事件序列因果发现两类，并提供了公开数据集、评估指标及未来新视角。
2023-08-03 cs.LG stat.ME
Algorithmic Bias in Recidivism Prediction: A Causal Perspective
The Pennsylvania State University（宾夕法尼亚州立大学）
ProPublica对替代性制裁（COMPAS）软件工具所产生的累犯预测的分析表明，这些预测对非裔美国人被告有种族偏见。我们分析的COMPAS数据使用的基本算法的公平性问题的因果关系重新制定。具体来说，我们评估是否COMPAS表现出种族偏见对非裔美国人被告使用事实，最近推出的因果关系接地算法公平性的措施。我们使用Neyman-Rubin潜在结果框架从观察数据中进行因果推断，以估计COMPAS数据中的FACT。我们的分析提供了强有力的证据表明，COMPAS表现出对非裔美国人被告的种族偏见。我们进一步表明，COMPAS数据的FACT估计是强大的存在不可测量的混杂。
2019-11-24 cs.AI cs.LG stat.ME
Neural Network Attributions: A Causal Perspective
Johns Hopkins University（约翰斯·霍普金斯大学）；Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）
我们提出了一种新的归因方法神经网络开发使用第一原则的因果关系（据我们所知，第一个）。神经网络架构被看作是一个结构因果模型，并提出了一种方法来计算每个功能的因果效果的输出。通过对输入数据因果结构的合理假设，我们提出了有效计算因果效应的算法，并将该方法扩展到大维度数据。我们还展示了这种方法可以用于经常性的神经网络。我们在模拟和真实数据集上报告了实验结果，展示了该算法的前景和实用性。
2019-07-03 cs.LG stat.ML
Preference Learning for AI Alignment: a Causal Perspective
Department of Applied Mathematics and Theoretical Physics（应用数学与理论物理系）
本文从因果视角出发，探讨了基于偏好数据的奖励建模在对齐大语言模型与人类价值观中的关键作用，提出因果工具箱以解决因果误识别、偏好异质性和用户特定因素的混淆问题，并提出未来研究的方向。
2025-06-06 cs.AI cs.LG stat.ML
Causal Inference from Possibly Unbalanced Split-Plot Designs: A Randomization-based Perspective
裂区设计在具有随机化限制的多因素试验中具有广泛的适用性。实际的考虑往往保证使用不平衡的设计。本文研究了可能不平衡的裂区设计中基于随机化的因果推断。从最近研究的平衡情况下的想法延伸产生的治疗对比估计的采样方差的表达式，以及保守的估计的采样方差。然而，即使当处理效应是严格可加的时，该方差估计量的偏差也不会消失。一个仔细的和涉及矩阵分析，以克服这个困难，从而在一个新的方差估计，这是在温和的条件下变得无偏。一个建设过程中，产生这样的估计极小极大偏差的建议。
2019-06-20 stat.ME
Concept Drift from a Causal Perspective
LIVIA, École de Technologie Supérieure（LIVIA，高等工程技术学院）；Graduate Program in Informatics (PPGIa), Pontifícia Universidade Católica do Paraná (PUCPR)（信息学研究生项目（PPGIa），巴拉那天主教大学（PUCPR））
本文从因果视角重新定义概念漂移，提出基于结构因果模型的分类法及数据流生成器，实验表明不同因果来源的漂移产生不同分布效应，并验证了因果感知评估的价值。
2026-09-23 cs.LG stat.ME
Causal Perspectives on Network Meta-Analysis
PreMeDICaL, Inria, Inserm, Université de Montpellier（普雷梅迪卡尔实验室，法国国家信息与自动化研究所，法国国家健康与医学研究院，蒙彼利埃大学）
该研究探讨网络荟萃分析，提出应先确定因果估计量再汇总，开发统一因果框架，基于汇总数据定义治疗效果、考虑异质性，使组间汇总自然产生，与传统范式不同，数值研究显示新方法因果效应明确，两种方法有差异。
2026-07-13 stat.ME
Heritability: A Counterfactual Perspective
Florida State University（佛罗里达州立大学）；University College London（伦敦大学学院）；University of Cambridge（剑桥大学）
提出基于反事实框架的遗传度定义，利用潜在结果模型量化遗传继承的重要性，并给出可从观测数据计算的界限，与常见遗传度概念进行比较。
2026-05-22 stat.AP
Clarifying causal mediation analysis for the applied researcher: Defining effects based on what we want to learn
在中介分析中纳入因果推断导致了理论和方法上的进步-具有因果解释的效应定义、效应识别所需假设的澄清以及效应估计的一系列扩大的选择。然而，这些结果的文献是快速增长和复杂的，这可能是混乱的研究人员不熟悉因果推断或不熟悉调解。本文的目的是帮助理解和采用因果中介分析。它首先突出了因果推断和传统方法之间的关键区别中介分析，并提出了明确的因果思维和因果推断方法在中介分析的需要。然后用尽可能简单的语言解释现有的效果类型，特别注意用不同类型的研究问题激发这些效果，并用具体的例子进行说明。本演示区分了两种观点（或分析目的）：解释性观点（旨在解释总效应）和干预性观点（询问有关暴露和中介的假设干预措施或假设修改的暴露的问题）。对于后一种观点，本文提出利用一般类的干预效果，其中包含作为特例的大多数通常的效果类型-干预的直接和间接效果，控制的直接效果，也是一个广义的干预直接效果类型，以及总效果和整体效果。这个通用类允许灵活的效应定义，比标准的干预性直接和间接效应更好地匹配许多研究问题。
2020-05-15 stat.ME
An empirical process framework for covariate balance in causal inference
我们提出了一个新的角度来评估匹配过程，考虑到他们所属的功能类的复杂性。在这个视角下，我们通过有限样本浓度不等式提供了匹配后协变量平衡的理论保证。我们应用这个框架粗精确匹配以及匹配使用的倾向得分，并建议如何将其应用到其他算法。模拟研究被用来评估的程序。
2023-01-02 math.ST stat.TH
Bayesian Causal Inference: A Critical Review
本文对基于潜在结果框架的因果推断的贝叶斯观点进行了评述。我们回顾了因果被估量、识别假设、因果效应贝叶斯推断的一般结构和敏感性分析。我们强调的问题是独特的贝叶斯因果推断，包括倾向得分的作用，可识别性的定义，先验的选择，在低维和高维制度。我们指出协变量重叠的核心作用，更一般的设计阶段，贝叶斯因果推断。我们将讨论扩展到两个复杂的分配机制：工具变量和随时间变化的治疗。在整个过程中，我们通过例子来说明关键概念。
2022-10-23 stat.AP stat.ME
Experimental Design For Causal Inference Through An Optimization Lens
本文从优化视角考察因果推断中实验设计的基础，将实验设计视为决策问题，利用现有优化工具提升实验效率，涵盖农业、临床、工业、社会及数字实验等广泛应用。
2024-08-24 econ.EM stat.ME
Measurement bias: a structural perspective
测量偏差（MB）的因果结构仍然存在争议。借助有向无环图（DAG），本文提出了一种新的结构，用于测量一个单例变量，其MB出现在一个不完美的I/O设备类测量系统的选择。然而，对于效果估计，额外的甲基溴来源来自于测量的接触和测量的结果之间的任何冗余关联。对于共同结局，错误分类将是双向差异的，对于因果关系，错误分类将是单向差异的，而对于测量暴露和测量结局之间的共同原因或无效效应，错误分类将是无差异的。测量的暴露实际上会影响测量的结果，反之亦然。反向因果关系是一个定义在测量层面的概念。我们新的DAG已经阐明了MB的结构和机制。
2020-12-23 stat.ME
A causal modeling perspective on decision theory
基于非参数结构方程模型（NPSEM）为决策理论提供统一形式框架，提出个人决策理论并证明其在特定假设下的最优性。
2026-06-29 cs.AI stat.ME
A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms
Xi’an JiaoTong University（西安交通大学）
了解因果关系有助于构建干预措施，以实现特定目标，并能够在干预措施下进行预测。随着学习因果关系的重要性日益增加，因果发现任务已经从使用传统方法从观察数据推断潜在因果结构过渡到深度学习涉及的模式识别领域。海量数据的快速积累促进了具有出色可扩展性的因果搜索方法的出现。现有的因果发现方法综述主要集中在基于约束、分数和模糊C均值的传统方法上，缺乏对基于深度学习的方法进行完善的梳理和阐述，也缺乏从变量范式角度对因果发现方法的思考和探索。因此，本文根据变量范式将可能的因果发现任务分为三类，分别给出了三类任务的定义，定义并实例化了每类任务的相关数据集以及最终构建的因果模型，并对现有的主要因果发现方法进行了评述。最后，针对目前因果发现领域的研究空白，从不同角度提出了一些路线图，并指出了未来的研究方向。
2022-09-14 cs.AI cs.LG stat.ME
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
The Challenge of Using LLMs to Simulate Human Behavior: A Causal Inference Perspective
Columbia Business School（哥伦比亚商学院）
本文从因果推断视角探讨了使用LLM模拟人类行为的挑战，指出模糊提示策略导致混淆问题，并提出通过去盲化策略提升模型性能和鲁棒性。
2025-11-23 cs.AI cs.IR econ.EM
Causal Graphs: Addressing the Confounding Problem Without Instruments or Ignorability
关于“工具变量：计量经济学家的观点”的讨论。因本斯[arXiv：1410.0163]。
2014-10-02 stat.ME
On treating right-censoring events like treatments
本文从因果视角出发，提出对右删失事件进行更精确分类的框架，澄清无需消除右删失事件即可定义良好的因果估计量，并提供处理右删失事件的指导。
2025-11-21 math.ST stat.AP stat.ME
Overcoming Fairness Trade-offs via Pre-processing: A Causal Perspective
Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本文从因果视角提出FiND世界框架，通过因果预处理方法近似该世界，在理论上证明并实证验证了该方法能同时解决公平性与准确性权衡以及不同公平性指标间的不兼容性。
2025-01-24 cs.LG stat.ML
Some Reflections on Drawing Causal Inference using Textual Data: Parallels Between Human Subjects and Organized Texts
University of Pennsylvania（宾夕法尼亚大学）
我们研究的作用，文本数据作为研究单位进行因果推理时，绘制人类受试者和有组织的文本之间的相似之处。%的人口研究。我们详细阐述了关键的因果概念和原则，并揭示了一些模糊性，有时甚至是谬误。为了便于更好地构建因果查询，我们讨论了两种策略：（i）从不变的特征转移到对它们的感知，以及（ii）从一些抽象概念/属性转移到其组成部分，即，从建构主义的角度看待抽象概念。我们希望这篇文章能提高人们对阐明和澄清基本概念的重要性的认识，然后再深入研究使用文本数据进行因果推理时的方法。
2022-02-02 cs.CL cs.LG stat.AP
The Illusion of Learning from Observational Data: An Empirical Bayes Perspective
Columbia University（哥伦比亚大学）
本文从经验贝叶斯视角探讨观察性数据学习的幻觉问题，通过校准研究学习偏倚分布，利用经验贝叶斯收缩方法提升因果参数估计的准确性。
2026-11-06 stat.ME
A Semiparametric Approach to Causal Inference
针对平均因果效应估计见解有限的问题，该研究提出基于半参数密度比模型的EL-DRM框架，通过经验似然估计非参数成分，可从分布视角实现因果推断，经合成与真实数据验证有效。
2024-11-01 stat.ME stat.ML
On the physics of nested Markov models: a generalized probabilistic theory perspective
QICI Quantum Information and Computation Initiative, School of Computing and Data Science, The University of Hong Kong, Hong Kong SAR, China（量子信息与计算倡议，计算与数据科学学院，香港大学，香港特别行政区，中国）；Institute for Interdisciplinary Information Sciences, Tsinghua University, Beijing, China（交叉信息科学研究所，清华大学，北京，中国）；Shanghai Qi Zhi Institute, Shanghai, China（上海启智研究所，上海，中国）；Perimeter Institute for Theoretical Physics, Waterloo, Ontario, Canada（理论物理研究所，滑铁卢，安大略，加拿大）
本文从广义概率理论视角探讨嵌套马尔可夫模型，揭示其与物理实现之间的差距，并展示新的GPT不可侵犯约束。
2025-12-15 cs.LG math.ST quant-ph
On Geometry of Information Flow for Causal Inference
因果推理可能是科学中最基本的概念之一，最初起源于一些古代哲学家的著作，直到今天，但也在统计学家，机器学习专家和许多其他领域的科学家的当前工作中强烈编织。本文从信息流的角度出发，介绍了诺贝尔奖的Granger因果关系，以及最近非常流行的传递熵，这些都是概率性的。我们的主要贡献将是开发分析工具，这将允许一个几何解释的信息流作为因果推理表示的正转移熵。我们将描述投影到总结信息流的结果空间中的底层流形的有效维度。因此，对比概率和几何的角度来看，我们将引入一个新的措施的因果推理的基础上的分形关联维数有条件地适用于竞争的解释未来的预测，我们将写$GeoC_{y\rightarrow x}$。这就避免了我们在传递熵$T_{y\rightarrow x}$中发现的一些有界性问题。我们将重点讨论从合成模型中开发的数据，这些模型的性质越来越复杂：然后包括Hénon图的例子，最后是一个与呼吸和心率功能相关的真实生理学例子。关键词：因果推理;转移熵;微分熵;关联维数; Pinsker不等式; Frobenius-Perron算子
2020-03-30 cs.CG cs.IT math.DS
Causal Inference for Spatial Treatments
Duke University（杜克大学）
本文从实验视角出发，提出空间处理的因果效应估计方法，通过比较实际处理地点和虚拟候选地点附近的单位，推导基于设计的标准误差，并利用机器学习方法处理高维数据，研究新冠疫情期间超市对周边商业Foot Traffic的影响。
2026-04-24 econ.EM stat.ME
TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective
确定时间多重干预的因果影响有助于决策。受时变偏倚、选择偏倚和多种干预措施相互作用的限制，从个体时间数据中解开和估计多个治疗效果仍然很少见。为了应对这些挑战，我们提出了一个全面的框架，从个人多重治疗的角度（TCFimt）的时间反事实预测。TCFimt在seq2seq框架中构建对抗性任务以减轻选择和时变偏差，并设计基于对比学习的块以将混合处理效应解耦为分离的主处理效应和因果相互作用，从而进一步提高估计精度。通过对来自不同领域的两个真实世界数据集进行实验，所提出的方法在预测特定治疗的未来结果以及选择最佳治疗类型和时机方面表现出令人满意的性能。
2022-12-17 cs.LG stat.ML
Coupling Generative Modeling and an Autoencoder with the Causal Bridge
Duke University（杜克大学）
本文提出将生成建模与自动编码器结合因果桥梁，以提高治疗效应估计的准确性。
2026-01-14 cs.LG stat.ME stat.ML
SLOACI: Surrogate-Leveraged Online Adaptive Causal Inference
University of Southern California（南加州大学）；Tsinghua University（清华大学）
SLOACI通过整合预测代理结果提升自适应因果推断效率，提供理论保障和实用工具，展示在有限样本下的优越性能。
2025-12-07 stat.ME
Simulation Experiments as a Causal Problem
该研究将仿真实验设计视为对数据生成机制的因果干预问题，应用因果原理与影响图思路的图模型，通过两个示例验证了该方法可明确估计量、优化仿真设计并提供性能讨论框架。
2023-08-21 econ.EM math.ST stat.CO
Bayesian Model Averaging for Causality Estimation and its Approximation based on Gaussian Scale Mixture Distributions
Waseda University（早稻田大学）
在线性结构因果模型（SCM）下的因果效应估计中，通常的做法是首先识别因果结构，估计概率分布，然后计算因果效应。然而，如果目标是估计因果效应，则没有必要固定单个因果结构或概率分布。在本文中，我们首先从贝叶斯的角度表明，它是贝叶斯最优的加权（平均）的因果效应估计在每个模型下，而不是估计在一个固定的单一模型的因果效应。这个想法也被称为贝叶斯模型平均。虽然贝叶斯模型平均是最佳的，但随着候选模型数量的增加，加权计算在计算上变得困难。我们开发了一个近似的贝叶斯最优估计使用高斯尺度混合分布。
2021-03-15 cs.LG stat.ME stat.ML
Learning Causally Disentangled Representations via the Principle of Independent Causal Mechanisms
University of Arkansas（阿肯色大学）；Clemson University（克莱姆森大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文从独立因果机制角度定义因果解耦，提出ICM-VAE框架，利用非线性流函数建模因果机制并结合辅助标签学习解耦先验，理论上证明可辨识性，实验表明能提升干预鲁棒性与反事实生成能力。
2024-08-23 cs.LG stat.ML
Demystifying Causal Features on Adversarial Examples and Causal Inoculation for Robust Network by Adversarial Instrumental Variable Regression
KAIST（韩国科学技术院）
对抗性例证的起源在研究领域中仍然是一个谜，尽管有广泛的研究，但它引起了各种观点的争论。在本文中，我们提出了一种从因果角度深入研究对抗训练网络中意外脆弱性的方法，即对抗工具变量（IV）回归。通过部署它，我们估计的因果关系的对抗性预测在一个无偏的环境下分离未知的混杂因素。我们的方法旨在通过利用休闲特征估计器（即，假设模型）和最坏情况的反事实（即，测试功能）干扰寻找因果特征。通过广泛的分析，我们证明了估计的因果特征与对抗鲁棒性的正确预测高度相关，并且反事实表现出严重偏离正确预测的极端特征。此外，我们提出了如何有效地将因果特征（CAFE）引入防御网络，以提高对抗鲁棒性。
2023-03-02 cs.AI cs.CV cs.LG
The connected brain: Causality, models and intrinsic dynamics
最近，有几项国际合作的努力--BRAIN倡议、欧洲人脑计划和人类连接组计划，仅举几例--希望彻底改变我们对连接大脑的理解。在过去的二十年里，功能性神经影像学已经成为系统神经科学的主要技术。这是预示着越来越多的出版物的功能连接，因果建模，连接组学，和多变量分析的分布模式的大脑反应。在这篇文章中，我们总结了教学的（深）历史的大脑映射。我们将重点介绍脑功能的（动态）因果建模的理论进展-这可能已经逃脱了本文的更广泛的受众-并提供了一个简短的概述最近的发展和有趣的临床应用。我们希望本文将通过展示这一重要主题固有的多学科性质以及正在解决的有趣问题来吸引信号处理社区。
2016-02-09 math.DS q-bio.NC stat.AP
Optimal photostimulation selection for iterative activity maps
Duke University（杜克大学）
研究针对全光双光子全息光遗传学中详尽连接性映射难题，提出OPhELIA贝叶斯框架，结合多种方法，在模拟和斑马鱼实验中，该框架用较少试验实现高效近似或恢复详尽连接组，是因果连接组学的样本高效框架。
2026-07-15 q-bio.NC q-bio.QM
Topological analysis of the connectome of digital reconstructions of neural microcircuits
最近的一份出版物提供了一个新皮层微电路的网络图，该微电路包括31,000个神经元之间的800万个连接（H。Markram等人，Reconstruction and simulation of neocortical microcircuitry，Cell，163（2015）no.2，456-492）。由于传统的图论方法可能不足以理解这样一个生物网络的巨大复杂性，我们探讨了代数拓扑学的方法是否可以提供一个新的视角，其结构和功能组织。结构拓扑分析表明，有向图表示的微电路中的神经元之间的连接显着偏离不同品种的随机图。特别地，包含在$10^7$顺序中的有向图简化了具有全对全有向连接的神经元群。其中一些单形包含多达8个神经元，使它们成为有史以来报道的最极端的神经元簇集基序。在微电路中模拟神经元活动的功能拓扑分析揭示了新的时空指标，提供了一个有效的分类功能反应的定性不同的刺激。这项研究代表了第一次代数拓扑分析的结构连接和连接为基础的时空活动在生物现实的神经微电路。研究中使用的方法显示出在网络科学中更普遍应用的前景。
2016-01-07 math.AT q-bio.NC
The Causal Frame Problem: An Algorithmic Perspective
McGill University（麦吉尔大学）
框架问题（英语：Frame Problem，简称FP）是心理哲学和认识论中的一个难题，由《斯坦福哲学百科全书》（Stanford Encyclopedia of Philosophy）阐述如下：“我们如何解释我们表面上只根据与当前情况相关的东西而不必明确考虑所有不相关的东西来做出决定的能力？“在这项工作中，我们专注于FP的因果变体，因果框架问题（CFP）。假设推理机的心理因果模型可以（隐式）由因果贝叶斯网表示，我们首先引入一个概念，称为潜在水平（PL）。PL，本质上，编码一个节点相对于它的邻居在因果贝叶斯网络的相对位置。利用心理学文献的因果判断，我们证实了索赔PL可能承担如何在头脑中编码的时间。使用PL，我们提出了一个推理框架，称为PL为基础的推理框架（PLIF），它允许一个有限理性的方法CFP正式阐述在马尔的算法分析水平。我们表明，我们提出的框架，PLIF，是一致的因果判断文献中的广泛的调查结果，PL和PLIF作出了一些预测，其中一些已经支持现有的研究结果。
2017-01-26 cs.AI q-bio.NC stat.ML
Perspective Latents as an Architectural Condition for Causal Emergence in Active Inference Agents
Active Inference Institute（主动推理研究所）
研究主动推理智能体中无奖励预测组织与信息理论特征的关系，通过特定架构智能体在无奖励环境切换协议中测试，确定\(g\)为与\(\Phi_r\)相关时间组织的架构位置，反对将\(\Phi_r\)作为学习整合直接指标。
2026-07-24 cs.LG q-bio.NC
Multimodal Higher-Order Brain Networks: A Topological Signal Processing Perspective
Federal University of Pernambuco（伯南布哥联邦大学）；Universitas Mercatorum（Mercatorum大学）；University of Amsterdam（阿姆斯特丹大学）
本文提出基于拓扑信号处理的多模态框架，通过高阶拓扑域建模脑部，利用扩散MRI和静息态fMRI学习个体化脑细胞复合体，揭示高阶相互作用的拓扑特征及其与行为的关联。
2026-03-31 eess.SP q-bio.NC
