这篇论文介绍了一种新的方法 - 因果层析法,用于解决观察到的量子相互作用下因果关系的推断问题,并在量子光学实验中进行了验证,并发现量子纠缠和相干性在因果推断中提供了量子优势。
Jun, 2014
本文提出了一组自然、直观的因果强度度量法,并通过时间序列的模拟实验证实了我们提出的度量法的有效性。
Mar, 2012
文章回顾了 Granger 因果关系和定向信息理论之间的概念和理论联系,并着重介绍了基于预测、条件独立性和即时耦合的 Granger 因果关系定义,以及基于传输熵的有向信息理论框架下的因果度量方法与 Granger 因果推断框架自然嵌合的假设检验机制。
Nov, 2012
提出了一个用于表示随机过程网络的图形模型 —— 最小生成模型图。该模型是基于时间上联合分布的简化因子化建立的,可以量化 Granger 因果性,并开发了高效的方法来从数据中估计拓扑结构。该算法已在 Twitter 网络的分析上得到了验证。
Apr, 2012
对于两个变量间的因果关系推断,我们提出了一种新的方法,即在确定性(无噪声)情况下,利用函数的非对称性以及它和因变量的概率密度的独立性进行推断。我们还将其与信息几何联系在一起,在不同领域的实际数据集上获得了强有力的实证结果。
本文介绍了量子膨胀,这是一种系统性的技术,用于证明给定的量子因果模型是否与某些观察到的相关性相容。通过重现已知结果和解决一些因果网络的范例问题,我们展示了该技术的实力。该研究可能在许多领域中发现应用:从量子网络中的相关性表征到研究热力学和生物过程中的量子效应。
Sep, 2019
基于量子力学的新框架,研究了因果顺序的起源和性质。发现有一些不服从因果顺序的相关性质,这些相关性质不能用因果顺序来解释,并且违反了我们已知的因果不等式,在经典极限下因果顺序始终存在,这表明空间 - 时间可能是从更基本的结构中出现的一种量子到经典的过渡。
May, 2011
通过引入编码在干预一个变量时另一个变量熵的变化的量,最近的研究实现了给定结构因果模型(SCM)的因果控制的量化。我们的研究通过建立和分析这些概念的基本性质,包括界限和链规则,对因果熵和因果信息增益的概念的形式理解做出了贡献。此外,我们阐明了因果熵与随机干预之间的关系,并提出了因果条件熵和因果条件信息增益的定义。总体而言,这种探索为通过研究最近提出的在因果性考虑方面扎根的信息论量来增强因果机器学习任务铺平了道路。
Feb, 2024
本文提出了一种度量深度神经网络在训练过程中因果结构的度量方法,即有效信息(EI),用于评估每个层的因果影响节点和边缘在其下游目标上的度量。通过分解 EI 以检查每个层的敏感性、退化性和整合信息量,可以在 “因果平面” 上可视化每个层次的连接方式如何随时间变得更加敏感或退化,以及集成如何在训练期间改变。结果有助于理解深度神经网络的泛化能力,并为使 DNN 具有更高的泛化性和可解释性提供基础工具。
Oct, 2020
该研究讨论了如何通过观察子系统来推断一个未知的大系统中的公共祖先,使用了信息论不等式来量化观察结果中的依赖关系,将多变量情况下的 Reichenbach 原理推广到因果解释的有向无环图中,并考虑了非概率观察结果的情况。
Oct, 2010