本文介绍了 Judea Pearl 在因果推断和统计学领域中的许多贡献,并阐述了 d 分离准则、do 演算和中介公式。文章还提出了一种关于潜在结果和事件树的早期因果模型,该模型饭后了 d 分离准则和 do 演算的简化,导致在有隐含变量的因果模型中,一个完整的识别算法的简单反事实的制定。
Aug, 2020
本文引入了字符串图表语言解释的因果模型框架,并呈现了其在方向无环图的应用以及如何作为单个数学对象来思考。通过引入具有 “复制 - 丢弃” 结构的对称膜范畴 (cd - 范畴) 中的随机映射、函数或通道,我们将单纯因果模型的概念推广为基于网络图的因果模型和泛函因果模型的定义,并对一般干预、开放式因果模型进行了讨论及定义。同时,本文还定义了马尔可夫条件、逆因果与反事实关系等概念,并设计了一个基于归一化框的条件推断方法诠释因果效应与反事实关系的可辨认性问题。该研究具有广阔的应用领域和教育意义。
Apr, 2023
本研究提出一种符号机制,能够处理有关概率和因果信息,从而推断出关于行动影响和观测影响的概率性语句,并利用条件概率和贝叶斯网络等技术来推导新的条件概率,以此量化行动效果和政策制定等方面的确认知识。
Feb, 2013
该论文介绍了 do-calculus 的开发和应用,包括在非参数模型中识别因果效应、介导分析、可传输性和元分析等领域,并重点讨论了元合成的挑战。
Oct, 2012
用对称单调类别的替代公理基础取代经典概率论,从而在没有概率理论适用的因果设置中,用纯语法算法描述一般因果识别的方法。
Mar, 2024
本研究研究了有向无环图在表示条件独立关系方面的作用,提出 DAG 可以用来推断条件独立关系并可以比其他准则发现更多合法的独立关系。此外,研究还表明 DAG 所显示的依赖关系是相一致的。
Mar, 2013
该研究介绍了一种叫做 “集群有向无环图(Cluster DAGs)” 的新型图形建模工具,其可以基于有限的先验知识提供变量之间关系的部分规范,从而缓解了在复杂、高维度领域中指定完全因果图的严格要求。在该图形模型下,本研究还开发了基于 “Pearl's Causal Hierarchy” 的各层级的变量集聚进行推理的方法,并验证了 C-DAGs 的有效性。
Feb, 2022
本研究将 3 层因果关系层次结构分为概率逻辑语言模型,第一层表达定量概率推断,第二层编码用于因果效应的 do-calculus 推理,第三层捕捉任意反事实查询。相关的公理化表达完全考虑了因果模型和概率编程,并证明了每种语言的可满足性和有效性都可以在多项式空间内可判定。
Jan, 2020
本文提出了一种新方法 —— 称作直接因果子句(DCC)来表述所有类型的因果背景知识,分析因果背景知识的一致性、等价性,任何因果背景知识集合都可分解成一个因果 MPDAG 和一个最小剩余 DCC 集合,并提供了用于检查一致性、等价性和查找分解的多项式算法。最后,作者们还发现,因果效应的可鉴定性仅取决于分解后的 MPDAG。
Jul, 2022
提出了一个形式语言 StaCL,用于描述和解释统计因果关系,并可用于进行因果推断和推导 Pearl 的 do-calculus 规则。
Oct, 2022