计算结构因果模型的最优抽象
本文介绍了一系列干预措施,以帮助代理人在不同抽象水平之间进行权衡,探究其中信息的一致性和损失,并提出了用于评估和学习因果抽象的算法。最后,我们通过实证表明了不同措施和算法选择可能导致不同的抽象。
May, 2023
采用线性因果模型的线性抽象函数,本研究首先确定了低级系数和抽象函数如何决定高级系数,以及高级模型如何约束低级变量的因果顺序;然后,通过观测数据学习了高级和低级因果模型及其抽象函数,并提出了一种名为 Abs-LiNGAM 的方法,利用所学高级模型和抽象函数所引导的约束,加快了更大规模低级模型的恢复过程,假设产生噪声项为非高斯分布;通过模拟实验验证了从数据中学习因果抽象的有效性以及我们的方法在改善因果发现的可扩展性方面的潜力。
Jun, 2024
本文提出了一个基于 Rischel(2020)提出的抽象形式化理论的因果抽象学习框架,并给出了一个可微分编程解决方案,以在人造数据和电动汽车电池制造领域中实现了关于多个分辨率级别的因果关系推理。
Jan, 2023
通过聚类变量及其域的方法,发展了一种新的因果抽象方法,以更好地适应由 Pearl 的因果层次结构引发的个体因果分布,并进一步将这些结果与表示学习相结合,将这些结果更接近实际应用。
Jan, 2024
本研究提出了第一种从观测和干预数据中学习抽象映射的方法 COTA,通过引入多边际最优传输和干预信息的成本函数,实现了对多个粒度的结构因果模型进行关联的方法,并证明了其在合成和真实世界问题中的优势以及作为数据增强工具的高效性。
Dec, 2023
寻找自动化搜索方法,从观察数据中学习因果结构;讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构;提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义,可用于非高斯分布;轻松学习具有潜变量的因果结构的充分性假设。
Aug, 2023
提出了一种通过识别和利用决策的实用结构,在机器学习系统中制定简化抽象的方法,该方法自动配置输出空间以最小化决策相关信息的损失,该方法通过减少所需的数据实现了更好的决策质量。
Mar, 2023
本文提出因果抽象理论作为高层次的 AI 模型解释的数学基础,使用因果抽象分析来确定可解释的高层次因果模型是否忠实反映了 AI 模型的行为和内部结构,同时我们还定义了近似因果抽象的概念以度量高层次因果模型对底层模型的抽象程度,并将 LIME、因果效应估计、因果中介效应分析、迭代零空间投影和基于电路的解释方法形式化为因果抽象分析的特例。
Jan, 2023