Halpern-Pearl 因果定义的修改
通过添加附加变量,可以在模型中解决 Halpern-Pearl 定义的原因关系直觉上不合理的问题,但是在进行修改后是否会导致原因关系不太稳定的问题则取决于正常性假设的考虑。
Dec, 2014
本文探讨了实际因果关系的形式定义,提出六种因果充分性的定义和两种必要性的解释,得出了十二种新的实际因果关系的定义,并对其与 Halpern & Pearl 的不同定义关系进行了探讨,最终提出了一种优于其它所有定义的新的实际因果关系的定义。
Feb, 2021
通过将因果理论与默认理论相结合,修复了 Halpern-Pearl (HP) 因果关系定义的一个严重缺陷。此外,证明了基于 Wright 的 NESS 测试的因果定义始终成立且具有与 HP 定义等效的条件,尽管 HP 条件下的原因不必是单个联接词。
Jun, 2008
对 Halpern 和 Pearl 提出的实际因果关系进行定义,并且针对计算是否为一个因果关系提出复杂性问题,进行定义修正,并探究其对复杂度的影响,引入了新的复杂度类 D_k^P,并且对计算因果关系的复杂度进行了全面分类和探究,还介绍了责任和指责的概念
Dec, 2014
在可能世界语义环境中,扩展了 Halpern 和 Pearl 关于实际因果模型的研究。使用这个框架,我们引入了一个带有模态运算符的实际因果逻辑,使得我们可以推理涉及多种可能性、时间性、知识和不确定性的因果关系。通过一些例子进行了说明,并讨论了一些未来研究的方向。
Jul, 2023
本文讨论在给定情境下估计一个事件是另一个事件的原因的概率,利用结构 - 语义定义的必需或充分因果关系的概率,我们展示了如何从实验和观察数据中获得这些数量的最佳约束,最小化了关于数据生成过程的假设,并从理论上得出了关于因果概率的严格边界,这些结果确定了如何在解决归因问题和决策相关问题中利用实证数据。
Jan, 2013
在自动化系统越来越广泛的应用下,需要建立一个法律和监管框架,以便确定这类系统何时及如何对他人造成伤害。然而对于定义伤害并无一定之规的问题,我们提出了一种基于因果模型和对比因果分析的质性伤害定义方法,用于处理多种伤害示例,并显示其对自动化系统相关情境推理的重要性。
Oct, 2022
本文研究非实验数据中确定因果关系的图形准则,提出了 Pearl 的工作和 Huang 和 Valtorta 的算法,并证明了 Pearl 提出的基本 do-calculus 规则是完整的。
Jun, 2012
对 Judea Pearl 的因果性图书的第二版进行了评论,介绍了易于遵循的因果推断策略,并讨论了在预测场景中进行因果推断时建模对照事实、估计不确定性和纳入先验知识估计因果效应的潜在优势和挑战。
Aug, 2023