串图中的因果模型

MMApr, 2023

Causal models in string diagrams

Robin Lorenz, Sean Tull

TL;DR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。

Abstract

The framework of causal models provides a principled approach to causal reasoning, applied today across many scientific domains. Here we present this framework in the language of string diagrams, interpreted form

causal models string diagrams category theory causal reasoning open causal models

发现论文，激发创造

Markov 类别、因果理论和 do - 演算

本文使用范畴论方法对因果模型进行了分类处理，从 “纯因果” 的角度定义了因果独立 / 分离、因果条件等重要概念，并产生了一个核心部分的语法版本的 syntactic do-calculus 在所有因果模型中继承。

Apr, 2022

因果推断图的普适性和因果再现性

本文提出了一种基于范畴论的普适因果推断框架 (Universal Causality)，利用范畴论架构了一种抽象的因果关系图示，提出了 “范畴”、“自然变换” 和 “函子” 这些概念，从而构建了一种通用的因果语言工具并且给出了普遍性因果定理（UCT）和因果再现性原则（CRP）。

Jul, 2022

用概率图模型进行反事实推理以分析社会生态系统

因果推理和反事实推理是数据科学中的新兴方向，尤其适用于通常无法获取实验数据的环境和生态科学领域。本文提出了一个在社会生态系统领域内边界不可识别查询的新技术，并发现传统统计分析方法无法揭示变量之间的关系本质，其中反事实推理变得非常有价值。

Jan, 2024

因果结构学习

本文研究了关于基于数据学习因果模型的结构学习算法，比较了它们在不同场景下的实验性能表现。

Jun, 2017

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

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

因果推理的公理化

本研究对 Pearl 所定义的一类以方程集合为定义的因果模型进行了公理化处理，提供了三个逐步更广的因果模型类别的公理化，并探讨了推理每个类别的语言和复杂度。

May, 2000

部分干预因果模型

该论文提出了一种基于单一世界干预图的因果推断方法，建立了一种允许特定变量干预的图模型，并提出了一种干预计算法则。

Oct, 2021

使用库存流程图建模的范畴框架

该研究论文使用 StockFlow.jl 创建传染病模型解释了范畴论方法的优势，并介绍了使用组合和分层这两种模块化方法构建大规模进出流图的方法，以及介绍了基于图形用户界面的网络软件 ModelCollab。

Nov, 2022

聚类 DAG 中的因果效应识别

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