Oct, 2022

因果概率：观测数据的作用

PDF
TL;DR本文讨论了在实践中如何改进用于现代决策的因果概率的界限，特别是在考虑到观测数据的情况下。研究者们定义并限定了三个二元概率，分别是 PNS，PS 和 PN，这些概率在确定性和必要性方面发挥着重要作用。研究主要使用观测和实验数据，探讨了这些数据的影响，以及如何将其应用于 Li 和 Pearl 定义的单位选择问题。
probabilities of causationpearltianobservational dataunit selection problem
发现论文，激发创造
  • 因果关系的概率：实验和观测样本的充分大小

    本文针对决策问题，使用实验和观测数据推导出必要性和充分性（PNS）、充分性（PS）和必要性（PN）概率的尖锐边界。作者进一步提出了一种确定所需样本量的方法，并证明此样本量模拟稳定估计了 PNS 范围的界限。

    Oct, 2022

  • 因果性的概率：上下界与鉴别

    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

  • 非二元治疗与效应的因果概率

    本文提供了理论边界，以估算多价治疗和效应的因果概率，并使用模拟研究评估了这些边界对各种数据组合的信息性，以及对实际决策的指导作用。

    Aug, 2022

  • 从有限总体数据中学习因果概率

    本文提出了一种机器学习模型，用于在仅知晓有限人口数据的情况下学习亚人口因果概率的边界，并通过模拟研究表明，该机器学习模型能够仅通过约 500 个有限人口数据来学习 32768 个亚人口的必要性和充分性边界。

    Oct, 2022

  • 通过充分和必要原因的概率进行不变性学习

    通过应用概率的充分性和必要性概念 (PNS) 来提高模型的泛化能力，该方法在合成和真实基准测试中得到了验证。

    Sep, 2023

  • 因果充分性与实际因果关系

    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

  • 合并数据集收紧因果概率界限

    对于在临床、流行病学和公共政策应用中存在的具有不同治疗方案的外部数据集，提供一种在这种具有挑战性的情景中提供概率因果边界的符号化方法，这些边界适用于任意协变量和治疗的维度，并讨论了这些边界在现有文献中更紧的条件。

    Oct, 2023

  • 因果贝叶斯网络中的干预和调节

    通过简单但常见的独立性假设，可以独特地估计干预公式的概率，包括充分性和必要性的概率。在许多感兴趣的情况下，当这些假设适用时，可以使用观测数据评估这些概率估计，这在实验不可行的情况下具有巨大的重要性。

    May, 2024

  • 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

  • 概率和因果可满足性：边缘化的影响

    研究了 Pearl 的因果层次结构 (PCH) 框架中的推理和计算复杂性，重点关注概率和因果语言中表达的满足性问题，特别是与边缘化相关的方程，证明了不同层次和操作符的确切计算复杂性结果，以及对受限模型进行了考虑。

    May, 2024