因果决策问题的指导原则

AAAIFeb, 2019

A Guiding Principle for Causal Decision Problems

M. Gonzalez-Soto, L.E. Sucar, H.J. Escalante

TL;DR本文提出基于 Causal Graphical Model 的 Causal Decision Problem 的求解方法，并结合 Pearl 的 Do-Calculus 及 Expected Utility 原理，提出一种在线决策制定程序，可学习环境因果模型，并展示与经典强化学习算法具有类似的性能。因此，本文旨在提供基于因果信息的决策制定程序的优化保证。

Abstract

We define a causal decision problem as a Decision Problem where the available actions, the family of uncertain events and the set of outcomes are related through the variables of a causal graphical model $\mathca

causal decision problem causal graphical model expected utility reinforcement learning decision making

发现论文，激发创造

决策理论基础的因果推理

在决策理论基础上，我们提出了因果关系的定义，并为因果推理提供了有原则的基础。我们的定义不同于传统的因果关系视角，因为因果断言可能随着可用决策集的变化而变化。我们认为这种方法增强了因果关系的清晰度。此外，我们还研究了有向无环图中因果关系的编码，我们描述了一个特殊的影响图类，即标准形式下的影响图，并展示了它与 Pearl's 的因果关系表示法的关系。最后，我们展示了标准形式如何促进反事实推理。

Dec, 1995

主观因果关系

通过观察决策者的干预偏好，我们展示了可以理解和识别决策者的主观因果判断的可能性。通过使用因果模型，我们表示因果关系，其中世界由一组变量组成，通过方程式进行关联。我们证明，如果干预偏好关系满足某些公理（与关于反事实的标准公理相关），那么我们可以定义（i）一个因果模型，（ii）捕捉决策者对世界外部因素的不确定性的概率，以及（iii）与每个干预相关的预期效用，并且如果干预 A 的预期效用大于干预 B 的预期效用，则干预 A 优于干预 B。此外，我们还对因果模型的唯一性进行了描述。因此，我们的结果使建模者能够测试决策者的偏好是否与某个因果模型一致，并且从观察行为中确定因果判断。

Jan, 2024

基于决策的因果关系视角

本文旨在统一因果建模和决策分析两大领域，提出了一种新的因果影响图的模型来描述因果依赖关系，并讨论了 Howard 规范形式在此模型中的作用。

Feb, 2013

使用机械因果图表征决策理论

通过机械因果模型，本文展示了如何表征和区分重要的决策理论，并生成了一个不同决策理论的分类法。

Jul, 2023

从决策论角度看统计因果

本文概述了决策论框架的统计因果关系，该框架适合于解决确定应用原因的效果的问题，并详细介绍了该方法，并与其他当前的公式进行了比较和对比，涵盖的主题和应用包括混淆，对待疗法的影响，工具变量和动态治疗策略。

May, 2014

不确定情况下的序贯决策因果解释

本文引入一种新的框架，基于结构因果模型范式对随机、顺序决策系统进行因果解释，该框架可以为代理行为识别多个语义上不同的解释，并建立了准确方法和多个近似技术用于因果推断，同时探讨了一些模型的灵活性与性能，并且表明了基于该框架的方法优于其他方法。

May, 2022

统计因果关系的决策论基础

本文讲述了决策论统计因果关系（DT）在表示和解决因果问题中的奠基性数学和解释性，并旨在通过采用假设数据和问题之间的关系来理解何时以及如何利用外部数据来帮助解决决策问题，同时明确了支持 DT 方法应用所需的考虑因素，通过可交换性条件构建了所需的关系，并以意图治疗和干预治疗之间的区分为基础形成了 “可忽略性” 的实现条件，同时还展示了 DT 观点如何统一和阐明其他流行的统计因果性质的形式，包括潜在响应和有向无环图。

Apr, 2020

Pearl 的干预微积分是完备的

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

决策规则对因果干预的鲁棒性的可证明保证

本文提出了模型的鲁棒性来应对数据偏移，给出了用贝叶斯网络建模，确定参数和因果影响的干预下的最坏情况下性能的算法。实验结果表明该方法在实践网络中得出有用且可解释的范围性结论，从而可以构建出可证明因果性的鲁棒决策制定系统。

May, 2021

条件干预分布的识别

本文研究了有向图表示的因果假设和以概率分布形式给出的统计知识对行为影响的阐明。在特定的情况下，我们感兴趣的是预测在一组变量上执行操作并随后对另一组变量进行测量所产生的条件分布。我们提供了一种必要且充分的图形条件，可用于唯一计算出这些分布的情况，同时还提供了一种算法。此外，我们使用我们的结果证明了对于相同的识别问题，do-calculus [Pearl, 1995] 是完备的。

Jun, 2012