Nov, 2022

软干预引发的因果抽象

PDF
TL;DR本文提出了将因果抽象扩展到软介入，通过将非常量函数分配给变量，而不添加新的因果关系来增强因果抽象。具体而言，我们将 $ au$- 抽象从 Beckers 和 Halpern（2019）推广到软介入，并提出了进一步的软抽象定义来确保软介入之间存在唯一的映射，同时证明了我们的构造软抽象定义可保证干预映射具有特定和必要的显式形式。
causal abstractionabstract modelssoft interventionsbeckers and halpernintervention map
发现论文，激发创造
  • 因果模型的抽象化

    该论文研究了因果模型的抽象概念，提出了一系列逐步严格的模型定义，并表明微变量组合成宏变量的过程是强抽象概念的实例，其中所有的示例都属于 Rubenstein 等人考虑过的分类之一。

    Dec, 2018

  • 用因果抽象进行忠实的模型解释

    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

  • 近似因果抽象

    本文从科学模型、抽象、因果模型、近似抽象和概率因果模型等方面出发，对因果模型的抽象方法进行了详细分析，平衡了低层和高层因果模型之间出现的差异，并在此基础上进行了扩展。

    Jun, 2019

  • 多个干预分布上联合学习一致的因果抽象

    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

  • 通过开关变量在隐含因果模型中实现解放

    在没有已知基准图结构的情况下，从观察数据和干预数据中学习因果表示需要进行隐式潜在因果表示学习。本文通过软干预在变分自动编码器（VAE）框架中处理隐式潜在因果表示学习，提出了一种模拟软干预效果的方法，采用设计的因果机制切换变量在不同因果机制之间切换，实验证明相比基准方法，我们的方法能够稳定地改进可识别的因果表示的学习。

    Feb, 2024

  • 神经因果抽象

    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

  • 因果游戏中干预行为的特性描述

    通过在多智能体场景中回答因果询问的概率图模型，扩展因果贝叶斯网络以表示智能体的自由度和目标，放松可行干预的时间顺序限制，提出一种原始因果干预集合来研究复杂干预查询的影响，并通过考虑因果机制设计与承诺，展示到安全人工智能系统的设计。

    Jun, 2024

  • 线性结构因果模型的因果抽象学习

    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

  • 量化因果抽象学习的一致性和信息损失

    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

  • 具有约束条件的因果模型

    本文将标准因果模型扩展到允许变量设置上的约束，并定义了一个新的介入操作，这个操作与一个因果方程断开一个变量的关联。文中给出了扩展的一些实用例子，提供了一个具有约束的因果模型的完整公理化方法。

    Jan, 2023