Causal Temporal Reasoning for Markov Decision Processes
Department of Informatics, King's College London(信息学院,伦敦国王学院)
本文提出PCFTL,一种支持干预与反事实查询的概率时序逻辑,通过结构因果模型解释MDP,并在安全强化学习基准中验证其有效性。
2023-06-14 cs.AI cs.SY eess.SY
Counterfactuals Modulo Temporal Logics
CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心)
本文将Lewis反事实条件理论向时间维度扩展,提出更宽松的世界相似性概念与新增反事实算子,研究距离最小化的反事实条件,构建融合时间与反事实算子的逻辑并给出相关判定过程,支持无限序列的符号化反事实推理。
2023-06-15 cs.AI cs.LO
Do-Operation Guided Causal Representation Learning with Reduced Supervision Strength
USC(南加州大学);USC Information Sciences Institute(南加州大学信息科学研究所)
因果表示学习已经被提出来编码在高维数据中呈现的因素之间的关系。然而,现有的方法仅使用大量的标记数据,而忽略了由相同因果机制生成的样本遵循相同因果关系的事实。在本文中,我们试图探索这些信息,利用做操作,以减少监管力度。我们提出了一个框架,通过交换从一对输入编码的潜在原因和影响因素来实现做操作。此外,我们还确定了现有的因果表征指标的不足之处,经验和理论,并引入新的指标更好的评估。在人工数据集和真实数据集上进行的实验表明,与现有方法相比,该方法具有明显的优越性。
2022-11-08 cs.AI cs.LG stat.ME
Combining Probabilistic Logic and Deep Learning for Self-Supervised Learning
Microsoft Research(微软研究院);JD Finance America Corporation(京东金融美国公司);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
深度学习已被证明对各种应用任务有效,但其适用性受到对注释示例的依赖的限制。自监督学习已经成为缓解监督瓶颈的一个有前途的方向,但现有的工作集中在利用未标记数据中的同现进行任务无关的表示学习,例如掩蔽的语言模型预训练。在本章中,我们将探讨特定于任务的自我监督,它利用领域知识为最终应用程序自动注释嘈杂的训练样本,或者通过引入标记函数来注释单个实例,或者通过对相互依赖的标签决策施加约束。我们首先介绍了深度概率逻辑(DPL),它通过将概率逻辑与深度学习相结合,为特定任务的自我监督提供了一个统一的框架。DPL将未知标签表示为潜在变量,并使用概率逻辑结合了多种自我监督,以使用变分EM训练端到端的深度神经网络。接下来,我们提出了自我监督的自我监督(S4),它为DPL增加了自动学习新的自我监督的能力。从初始种子自监督开始,S4迭代地使用深度神经网络来提出新的自监督。它们要么直接添加(一种结构化的自我训练形式),要么由人类专家验证(如基于特征的主动学习)。在生物医学机器阅读和各种文本分类任务等实际应用中的实验表明,特定于任务的自我监督可以有效地利用领域专业知识,并且通常可以将监督方法的准确性与人类努力的一小部分相匹配。
2021-07-27 cs.AI cs.LG
From Prompts to Tokens: Internalizing Causal Supervision in Vision-Language Model for Multi-Image Causal Reasoning
University of Science and Technology of China(中国科学技术大学)
提出BridgeVLM,通过从多图像输入诱导因果图并转换为因果标记,注入LLM解码器进行因果消息传递,显著提升多图像因果推理性能。
2026-06-11 cs.AI cs.CV
Causal-Based Supervision of Attention in Graph Neural Network: A Better and Simpler Choice towards Powerful Attention
Southern University of Science and Technology(南方科技大学);Microsoft Research Asia(微软亚洲研究院)
针对基于注意力的图神经网络因缺乏直接监督在含噪图上鲁棒性差的问题,提出利用因果效应监督注意力学习的即插即用框架,可加速收敛、提升性能。
2023-07-18 cs.AI cs.CY cs.LG
How Rules Represent Causal Knowledge: Causal Modeling with Abductive Logic Programs
Eberhard-Karls-Universität Tübingen(图宾根大学);German University of Digital Science(德国数字科学大学)
本文将Pearl的因果干预理论扩展到分层溯因逻辑程序,通过翻译为因果系统并证明稳定模型语义符合因果充分性等哲学原则,为逻辑程序用于因果建模和干预效果预测奠定理论基础。
2025-07-07 cs.AI
Differentiable Logic Programming for Distant Supervision
National Institute of Informatics(信息学研究所)
提出一种在NeSy中将神经网络与逻辑编程集成的可微方法,通过矩阵嵌入评估逻辑蕴含与约束,无需符号求解器推理缺失标签,在准确率和学习效率上均超越现有方法。
2024-08-25 cs.AI
From probability to causality in probabilistic logic programming
Ludwig-Maximilians-Universität München(慕尼黑大学);Eberhard-Karls-Universität Tübingen(蒂宾根大学);German University of Digital Science(德国数字科学大学)
该研究针对概率逻辑程序从数据学习时因果顺序不唯一的问题,结合贝叶斯网络关系推导条件并纳入因果对称约束,提出可验证干预语义的方法。
2026-08-10 cs.AI
Representing First-Order Causal Theories by Logic Programs
Google Inc.(谷歌公司);Arizona State University(亚利桑那州立大学);University of Kentucky(肯塔基大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
由诺曼·麦凯恩(Norman McCain)和哈德森·特纳(Hudson Turner)提出的非单调因果逻辑成为几种表达性动作语言的语义基础。McCain将确定性命题因果理论嵌入到逻辑编程中,为使用答案集求解器来回答有关此类语言描述的动作的查询铺平了道路。在本文中,我们将这种嵌入扩展到非定理论和一阶因果逻辑。
2011-03-23 cs.AI cs.LO
T-CPDL: A Temporal Causal Probabilistic Description Logic for Developing Logic-RAG Agent
University of Derby(德比大学)
本文提出时序因果概率描述逻辑T-CPDL,扩展传统描述逻辑以处理时间、因果和概率推理,实验证明其显著提升语言模型推理准确性与可解释性,并为Logic-RAG框架奠定基础。
2025-06-23 cs.AI cs.LO
CP-logic: A Language of Causal Probabilistic Events and Its Relation to Logic Programming
Katholieke Universiteit Leuven(天主教鲁汶大学)
本文发展了一种表示概率因果律的逻辑语言。我们对这种语言的兴趣是双重的。首先,它可以作为因果知识表示的基础研究。因果关系具有内在的动态方面,Shafer在他的概率树框架中已经在语义层面上进行了研究。在这样一个动态的背景下,考虑到一个领域随时间的演变,因果律作为指导这种演变的东西的想法是很自然的。在我们的形式化,一组概率因果律可以用来表示一类概率树在一个简洁,灵活和模块化的方式。通过这种方式,我们的工作扩展了Shafer的语义对象提供了一个方便的逻辑表示。其次,这种语言也与概率逻辑编程领域相关。特别是,我们证明,在我们的语言的理论的形式语义可以等价地定义为概率分布在良好的基础模型的某些逻辑程序,使它正式非常类似于现有的语言,如ICL或PRISM。因为我们可以用一种完全独立的方式来激发和解释我们的语言,将其作为概率因果律的表示,这就为解释这种概率逻辑程序背后的直觉提供了一种新的方式:我们可以用非逻辑学家同样可以理解的术语来精确地说这种程序表达了哪些知识。此外,我们还获得了一个额外的一块知识表示方法的概率逻辑程序,通过展示他们如何表达概率因果律。
2009-04-10 cs.AI cs.LO
Logic Programming Semantics for Causal Processes
German University Of Digital Science Potsdam(德国波茨坦数字科学大学)
研究逻辑程序设计语义与因果过程最终状态的关系,指出正逻辑程序稳定模型对应特定过程最终状态,支持模型描述任意起点可达状态,为逻辑程序设计语义讨论提供新视角及时间维度。
2026-07-24 cs.AI cs.LO cs.PL
Causal Scene Narration: Inference-Time Text Restructuring for Vision-Language-Action Driving
Graduate School of Information Science and Technology, The University of Tokyo(东京大学信息科学与技术研究生院);TIER IV, Inc.(TIER IV 公司)
本文提出CSN方法,通过意图约束对齐、定量 grounding 和结构分离重构VLA文本输入,提升驾驶评分并增强安全性。
2026-10-20 cs.AI cs.RO
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
Combining Probabilistic, Causal, and Normative Reasoning in CP-logic
KU Leuven – University of Leuven(鲁汶大学)
近年来,对实际因果关系的一个适当的正式定义的探索--即,在具体的观察中所体现的因果关系,而不是一般的因果关系,已经达到了令人印象深刻的程度。在某种程度上,这是由于洞察力,这一概念在许多不同的领域,如法律理论,工程,医学,伦理学等,由于这种多样性的应用,一些研究人员已经从一个单一的理想化的定义转移到一个更务实的,基于上下文的帐户的焦点起着根本性的作用。例如,Halpern和Hitchcock最近的工作借鉴了关于人们因果判断的实证研究,提出了一个分级和上下文敏感的因果关系概念。虽然我们赞同他们的许多观察,但他们仅限于定性排序,在更复杂的例子中会遇到麻烦。因此,我们的目标是改进他们的方法,通过使用CP逻辑(因果概率逻辑)的形式语言,以及由当前作者使用它开发的定义实际因果关系的框架。首先,我们将他们的想法重新表述为我们的定量,概率设置,之后,我们修改它以适应更大类的例子。此外,我们介绍了统计和规范的考虑之间的正式区别。
2015-03-03 cs.AI
Enablers and Inhibitors in Causal Justifications of Logic Programs
University of Corunna(拉科鲁尼亚大学)
出现在逻辑编程理论与实践(TPLP)中。在本文中,我们提出了一个扩展的逻辑编程(LP),其中每个默认文字来自良好的基础模型相关联的理由表示为一个代数表达式。这个表达式包含因果解释(以规则标签构建的证明图的形式)和否定范围内的术语,这些术语代表启用或禁用因果规则应用的条件。使用一些例子,我们讨论了这些新的条件,我们分别称之为“使能”和“抑制剂”,是密切相关的默认否定,并有一个本质上不同的性质,从定期的因果关系。最重要的结果是一个正式的比较,最近的代数方法的理由在LP:“为什么不种源”(WESTERN)和“因果图”(CG)。我们表明,目前的方法扩展了WESTERN和CG的理由下的基础良好的语义,作为副产品,我们还建立了这两种方法之间的正式关系。
2016-02-22 cs.AI cs.LO
How Rules Represent Causal Knowledge: Causal Modeling with Probabilistic Logic Programming
研究如何将珀尔的因果方法引入概率逻辑编程,通过与不依赖时间概念的哲学基础对齐,提出形式因果语义等,使其语义与分层ProbLog程序的P-log语义一致,解决因果知识在不同形式主义中的应用问题。
2026-07-24 cs.AI cs.LO cs.PL
On the Logic of Causal Models
University of California(加利福尼亚大学)
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。
2013-03-27 cs.AI
The Logic of Counterfactuals and the Epistemology of Causal Inference
University of California, Davis(加利福尼亚大学戴维斯分校)
本文揭示Rubin因果模型预设条件排中律,并提出结合因果贝叶斯网的新模型以摒弃该原则,论证演绎逻辑与归纳推断的深层关联。
2025-03-12 cs.AI econ.EM stat.ME
The Temporal Logic of Causal Structures
Courant Institute of Mathematical Sciences(柯朗数学科学研究所);New York University(纽约大学)
具有潜在因果结构的时程数据的计算分析在各种领域都是需要的,包括神经尖峰序列、股票价格波动和基因表达水平。然而,仅从数值时间过程数据确定什么在协调可见过程、将潜在的初步原因分离成真正的原因和虚假的原因并且以可行的计算复杂性来这样做可能是具有挑战性的。为此,我们一直在开发一种新的算法的基础上的框架相结合的概念,因果关系的哲学与算法的方法建立在模型检验和统计技术的多个假设检验。因果关系的时序逻辑公式,重构推理问题的模型检验。所使用的逻辑PCTL允许描述因果关系之间的时间以及观察到这种关系的概率。我们表明,配备了这些因果公式与其相关的概率,我们可以计算的平均影响的原因,使其效果,然后发现统计上显着的原因,通过多个假设检验的概念(治疗每个因果关系作为一个假设),和错误的发现控制。通过探索一个精心选择的家庭的潜在的所有重要的假设与合理的最小描述长度,它是可能的驯服算法的计算复杂性,同时探索几乎完整的搜索空间的所有表面原因。我们已经在许多领域测试了这些想法,并在这里用两个例子来说明它们。
2012-05-09 cs.AI
Causal Graph Justifications of Logic Programs
University of Corunna(拉科鲁尼亚大学);Vienna University of Technology(维也纳工业大学)
在这项工作中,我们提出了一个多值扩展的逻辑程序下的稳定模型的语义,在一个模型中的每个真正的原子与一组理由。这些理由表示的因果关系图形成的规则标签和边缘,代表他们的应用程序排序。对于正的程序,我们表明,一个给定的原子获得的因果理由有一个直接的correspondence- dence(相关)的语法证明,该原子使用的程序规则中涉及的图形。最有趣的贡献是,这种因果信息是在一个纯粹的语义的方式,通过代数运算(产品,总和和应用程序)的因果值格的顺序关系表示时,一个理由是强于另一个。最后,对于有否定的程序,我们通过引入一个类似于Gelfond和Lifschitz的程序约简的变换,定义了因果稳定模型的概念。因此,缺省否定表现为“证据缺失”,否定升得不到任何证明
2014-09-25 cs.AI cs.LO
Integrating Fuzzy Logic with Causal Inference: Enhancing the Pearl and Neyman-Rubin Methodologies
The University of Quebec at Trois-Rivieres(魁北克大学三河校区)
本研究融合模糊逻辑推广Pearl与Neyman-Rubin因果推断方法,提出FATE、GFATE及其归一化版本的模糊因果效应公式,验证其可识别性与稳定性,并通过实验证实方法的实用性。
2024-06-19 cs.AI cs.LG cs.LO
Structure-Based Causes and Explanations in the Independent Choice Logic
Dipartimento di Informatica e Sistemistica, Universita di Roma "La Sapienza"(罗马大学信息与系统系)
本文旨在结合珍珠的结构模型的因果推理方法与高层次的形式主义推理行动。更确切地说,我们提出了一个组合珍珠的结构模型方法与普尔的独立选择逻辑。我们展示了独立选择逻辑中的概率理论如何映射到概率因果模型。这种映射为独立选择逻辑提供了吸引人的因果关系概念和结构模型方法的解释。我们沿着哈尔彭和珀尔关于实际原因、解释和部分解释的复杂概念来说明这一点。这种映射还为结构模型方法添加了一阶建模功能和显式操作。
2012-10-19 cs.AI
Modeling Endogenous Logic: Causal Neuro-Symbolic Reasoning Model for Explainable Multi-Behavior Recommendation
School of Computer Science and Engineering(计算机科学与工程学院);Nanjing University of Science and Technology(南京理工大学);School of Management(管理学院);Hefei University of Technology(合肥工业大学);School of Computer Science and Artificial Intelligence(计算机科学与人工智能学院);Nanjing University of Finance and Economics(南京财经大学);Department of Finance and Accounting(金融与会计系);Saint Petersburg State University(圣彼得堡国立大学);School of Computing(计算机学院);Macquarie University(麦考瑞大学)
本文提出一种因果神经符号推理模型,用于可解释的多行为推荐,通过内生逻辑建模和因果推断提升推荐系统的可解释性和泛化能力。
2026-01-29 cs.AI
Formalizing Statistical Causality via Modal Logic
AIST(产业技术综合研究所);PRESTO, JST(日本科学技术振兴机构 战略性研究推进项目);Tokyo Institute of Technology(东京工业大学);Kyoto University(京都大学)
本文提出形式语言 StaCL,利用面向干预的模态算子描述可能世界中概率分布的因果性质,并以公理推导 Pearl 的 do-calculus 规则,从而规范和解释统计因果推断。
2023-09-17 cs.AI cs.LO
Engineering Verifiable Modularity in Transformers via Per-Layer Supervision
Georgia Tech Research Institute(佐治亚理工学院研究 institute)
本文通过逐层监督和双流处理,揭示Transformer内部隐藏的模块化结构,实现对模型行为的更精确控制。
2026-03-08 cs.AI cs.LG
Words as Difference Makers: How Large Language Models Determine Causal Structure in Text
本文提出大型语言模型通过变分归纳逻辑学习因果结构,并分析其训练过程与架构特征如何实现差异制造者识别。
2026-06-23 cs.AI cs.CL cs.LG
A Fundamental Probabilistic Fuzzy Logic Framework Suitable for Causal Reasoning
Institute for Research in Fundamental Sciences (IPM)(基础科学研究所(IPM));The University of Quebec at Trois-Rivieres(魁北克大学三河分校)
在本文中,我们介绍了一个基本框架,以建立一个桥梁之间的概率论和模糊逻辑。事实上,我们的理论制定了一个随机的实验,选择脆元素的标准,具有一定的模糊属性。为此,我们将一些特定的清晰随机变量与随机实验相关联。然后,给出了几个公式,使计算这些随机变量的不同条件概率和期望值变得容易。为概率模糊逻辑框架的建立提供了理论依据。注意,在我们的理论中,来自上述随机变量的连续分布的概率密度函数包括狄拉克δ函数作为一项。此外,我们介绍了我们的理论在因果推理中的应用。
2022-05-30 cs.AI cs.LO math.PR
On Properties of Update Sequences Based on Causal Rejection
我们考虑一种方法来更新表示为扩展逻辑程序下回答集语义的非单调知识库。新的信息被纳入到当前的知识库的因果关系拒绝原则,强制执行,在冲突的情况下,较新的规则是首选和旧的规则被推翻。这样的拒绝原理也在其他方法中被利用来更新逻辑程序,例如,在Alferes等人提出的动态逻辑规划中,我们给出了我们的方法的性质的深入分析,得到更好的理解因果拒绝原则。本文从理论变化和非单调推理两个方面对更新算子和修正算子的假设进行了综述,并给出了一些新的性质。然后,我们考虑改进我们的语义,其中包括一个概念的变化最小。以及,我们调查的关系,其他方法,表明我们的方法是语义上等价的继承程序Buccafurri等人。它符合某些类的动态逻辑程序,我们提供的图形条件方面的特征。因此,我们关于因果拒绝原理性质的大部分结果也适用于这些方法。最后,我们处理我们的方法的计算复杂性,并概述了如何更新语义及其改进可以实现现有的逻辑编程引擎。
2001-09-05 cs.AI
Causal Past Logic for Runtime Verification of Distributed LLM Agent Workflows
Université Paris-Saclay, CNRS, ENS Paris-Saclay, LMF, Gif-sur-Yvette, France(巴黎-萨克雷大学,国家科学研究中心,巴黎-萨克雷高等师范学院,LMF,法国吉夫昂蒂埃)
本文提出了一种因果过去逻辑(CPL)用于分布式大语言模型代理工作流的运行时验证,通过在ZipperGen框架中引入CPL,实现了对工作流中因果可见事件的实时监控和控制流影响,从而将运行时验证整合到协调语言本身。
2026-09-11 cs.AI cs.LO cs.PL
Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction
University of Macau(澳门大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出一种基于因果推断的自动驾驶轨迹预测框架,通过时空分解消除虚假相关并渐进融合多模态信息,在五个真实数据集上优于现有SOTA方法。
2025-05-11 cs.AI cs.RO
"Would life be more interesting if I were in AI?" Answering Counterfactuals based on Probabilistic Inductive Logic Programming
Ludwig-Maximilians-Universität München(慕尼黑大学)
本文针对概率逻辑程序在反事实推理中的不足,提出一种语言片段,可从诱导分布重构程序,从而学习支持反事实查询的模型。
2023-08-30 cs.AI cs.LG cs.LO
Project Ariadne: A Structural Causal Framework for Auditing Faithfulness in LLM Agents
Sourena Khanzadeh(独立研究者)
Project Ariadne提出一种结构因果框架,通过因果干预评估大语言模型代理推理的忠实性,揭示代理推理与决策之间的因果脱节问题。
2026-01-05 cs.AI
SCADI: Self-supervised Causal Disentanglement in Latent Variable Models
Yonsei University(延世大学)
针对无监督解缠不可识别和弱监督成本高的问题,提出SCADI模型,结合掩码结构因果模型与伪标签生成器,实现无需监督的语义因素发现与因果关系学习。
2023-11-11 cs.AI cs.CV cs.LG
On the Conditional Logic of Simulation Models
Stanford University(斯坦福大学)
我们建议分析条件推理呼吁干预的概念,在模拟程序,形式化和归纳的一些方法,条件思维在最近的人工智能文献。我们的主要成果包括一系列的公理化,允许这个框架和现有的框架(正常序模型,因果结构方程模型)之间的比较,和一个复杂的结果,建立NP-完全的可满足性问题。也许令人惊讶的是,一些基本的逻辑原则共同的所有现有的方法是无效的,在我们的因果模拟方法。我们认为,这种额外的灵活性是很重要的建模一些直观的例子。
2018-05-08 cs.AI cs.LO
From Circuit Evidence to Mechanistic Theory: An Inductive Logic Approach
Department of Computer Science, University of Manchester(曼彻斯特大学计算机科学系);Idiap Research Institute(Idiap研究机构);CRUK National Biomarker Centre, University of Manchester(曼彻斯特大学癌症研究联盟国家生物标志物中心)
本文提出了一种基于归纳逻辑的方法,通过将电路解释视为归纳理论构建,为累积的机制科学提供形式化基础设施。该方法通过因果功能签名和建筑签名,明确机制主张,并在不同模型规模之间实现可移植性。
2026-05-20 cs.AI cs.LG cs.LO
Learning to Reason: Targeted Knowledge Discovery and Fuzzy Logic Update for Robust Image Recognition
German Aerospace Center (DLR)(德国航空航天中心(DLR))
本文提出一种针对知识发现和模糊逻辑更新的方法,通过可微知识单元调节分类器logits,提升图像识别鲁棒性,实验表明在多个数据集上表现优于基线。
2026-04-30 cs.AI cs.CV
Causal Modeling with Probabilistic Simulation Models
Stanford University(斯坦福大学)
最近的作者提出了分析条件推理通过干预的概念在模拟程序,并发现了一个健全的和完整的公理化的逻辑条件在这种情况下。在这里,我们将此设置扩展到概率仿真模型的情况。我们给出了一个自然的定义的概率公式的条件语言,允许表达的反事实,并证明了这个定义的基本结果。我们还发现了一个公理化推理的线性不等式涉及概率在这种情况下。我们证明了这个逻辑的可满足性问题的可靠性,完备性和NP-完备性。
2018-07-30 cs.AI cs.LO
Uplift Modeling Under Limited Supervision
University of Luxembourg(卢森堡大学);Université Paris-Saclay(巴黎-萨克雷大学);CentraleSupélec(中央高等电力学院);Inria(法国国家信息与自动化研究所)
本文提出一种基于图神经网络和获取函数的框架,在有限监督和极低实验预算下预测电子商务中的处理效应,实验表明其显著优于现有方法。
2024-09-02 cs.AI cs.LG stat.ME
Causal Laws and Multi-Valued Fluents
University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Minnesota at Duluth(明尼苏达大学德卢斯分校)
针对动作语言C仅支持真值流态的不便,本文将因果逻辑与语言C扩展为支持任意非空集取值的C+,实现动作属性描述、因果理论嵌入及与ADL的关联,并给出多值常量的布尔消去方法。
2023-07-15 cs.AI
From Fact Overwriting to Knowledge Evolution: Causal Editing via On-Policy Self-Distillation
State Key Laboratory of Cognitive Intelligence(认知智能国家重点实验室)
针对知识编辑中静态事实覆写范式导致认知失调的问题,提出基于因果引导的同策略蒸馏方法CODE,将事实注入转化为连贯的知识演化,显著降低自反驳率并提升多跳准确性。
2026-05-27 cs.AI
Sufficient, Necessary and Complete Causal Explanations in Image Classification
本文提出了一种基于因果解释的图像分类解释方法,通过δ-完整解释和1-完整解释,实现了对模型的黑盒处理,提高了解释的准确性和效率。
2026-02-19 cs.AI cs.CV
FLARE: A Full-Lifecycle Dense Supervision Paradigm for Long-Horizon Coding Agents via Generative Reward Model
FLARE提出一种基于生成式奖励模型的全生命周期密集监督范式,通过因果诊断和实时风险反馈,在推理与训练中优化长时程编码智能体,显著降低计算开销并提升性能。
2026-09-22 cs.AI cs.CL
AnchorReasoning: A Visual Grounding and Causal Reasoning Dataset in Long-Tail Autonomous Driving Scenarios
University of Georgia(佐治亚大学)
该研究提出AnchorReasoning数据集,通过视觉定位思维链监督,提升长尾自动驾驶中VLM的推理与轨迹预测能力。
2026-09-24 cs.AI cs.CV
An Algebra of Causal Chains
University of Corunna(科伦纳大学)
在这项工作中,我们提出了一个多值扩展的逻辑程序下的稳定模型的语义模型中的每个真正的原子与一组的理由,在一个类似的精神比一组证明树。本文的主要贡献是,我们捕获的理由到一个代数的真值与三个内部操作:一个加法'+'代表替代理由的公式,一个交换产品'*'代表联合相互作用的原因和非交换产品'。'充当串联或证明构造函数。使用这种多值语义,我们得到一个标准的(非因果)逻辑程序的语法证明树和模型中的每个真原子的解释之间的一一对应。此外,由于这种代数特征,我们可以检测到语义属性,如冗余和相关性所获得的理由。我们还确定了一个基于格的表征这个代数,定义了一个直接的后果运营商,证明其连续性和它的最小不动点可以计算有限次数的迭代后。最后,通过对Gelfond和Lifschitz的程序约简进行类似的变换,定义了因果稳定模型的概念。
2013-12-20 cs.AI
Recover Experimental Data with Selection Bias using Counterfactual Logic
Department of Computer Science(计算机科学系);Florida State University(佛罗里达州立大学)
本文利用结构因果模型构建反事实世界,提出图形与理论准则及方法,从有偏实验数据中恢复无偏因果分布$P(Y^*_{x^*})$,并通过模拟验证其有效性。
2025-06-04 cs.AI stat.ME
LC-ERD: Mining Latent Logic for Self-Evolving Reasoning via Consistency-Regulated Reward Decomposition
The Chinese University of Hong Kong(香港中文大学);Shanghai Jiaotong University(上海交通大学);Fudan University(复旦大学)
针对大语言模型推理中高质量过程数据稀缺的问题,提出LC-ERD框架,通过潜在逻辑挖掘和一致性调节的奖励分解,实现自我对齐与推理进化。
2026-05-30 cs.AI cs.CL
Towards Neuro-symbolic Causal Rule Synthesis, Verification, and Evaluation Grounded in Legal and Safety Principles
Hasso Plattner Institute \ of Potsdam Prof.-Dr.-Helmert Str. 2-3, D-14482 Potsdam, Germany;Hasso Plattner Institute \ of Potsdam
本文提出一种神经符号因果框架,结合一阶逻辑抽象树、结构因果模型和深度强化学习,通过Meta层缓解目标误指定问题,实现可扩展的规则维护。
2026-05-11 cs.AI cs.LO