使用机械因果图表征决策理论
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
通过观察决策者的干预偏好,我们展示了可以理解和识别决策者的主观因果判断的可能性。通过使用因果模型,我们表示因果关系,其中世界由一组变量组成,通过方程式进行关联。我们证明,如果干预偏好关系满足某些公理(与关于反事实的标准公理相关),那么我们可以定义(i)一个因果模型,(ii)捕捉决策者对世界外部因素的不确定性的概率,以及(iii)与每个干预相关的预期效用,并且如果干预 A 的预期效用大于干预 B 的预期效用,则干预 A 优于干预 B。此外,我们还对因果模型的唯一性进行了描述。因此,我们的结果使建模者能够测试决策者的偏好是否与某个因果模型一致,并且从观察行为中确定因果判断。
Jan, 2024
本文概述了决策论框架的统计因果关系,该框架适合于解决确定应用原因的效果的问题,并详细介绍了该方法,并与其他当前的公式进行了比较和对比,涵盖的主题和应用包括混淆,对待疗法的影响,工具变量和动态治疗策略。
May, 2014
本文提出基于 Causal Graphical Model 的 Causal Decision Problem 的求解方法,并结合 Pearl 的 Do-Calculus 及 Expected Utility 原理,提出一种在线决策制定程序,可学习环境因果模型,并展示与经典强化学习算法具有类似的性能。因此,本文旨在提供基于因果信息的决策制定程序的优化保证。
Feb, 2019
本文讲述了决策论统计因果关系(DT)在表示和解决因果问题中的奠基性数学和解释性,并旨在通过采用假设数据和问题之间的关系来理解何时以及如何利用外部数据来帮助解决决策问题,同时明确了支持 DT 方法应用所需的考虑因素,通过可交换性条件构建了所需的关系,并以意图治疗和干预治疗之间的区分为基础形成了 “可忽略性” 的实现条件,同时还展示了 DT 观点如何统一和阐明其他流行的统计因果性质的形式,包括潜在响应和有向无环图。
Apr, 2020
本文介绍一种新的框架 —— 结构性因果博弈,它将因果层级扩展到博弈论领域,以及介绍了一种基于因果游戏的 Python 库。该框架支持机械化博弈,定义了因果查询并与其他因果或博弈理论模型进行了比较。
Jan, 2023
本文引入一种新的框架,基于结构因果模型范式对随机、顺序决策系统进行因果解释,该框架可以为代理行为识别多个语义上不同的解释,并建立了准确方法和多个近似技术用于因果推断,同时探讨了一些模型的灵活性与性能,并且表明了基于该框架的方法优于其他方法。
May, 2022
形式化了代理随决策而控制的变量及响应的变量的激励机制,并演示了在任何单一决策因果影响图中,检测这些激励机制的独特图形标准;引入了结构因果影响模型,它是影响图和结构因果模型框架的混合体;最后,说明了这些激励机制如何预测公正和人工智能安全应用中的代理激励。
Jan, 2020
本论文提出了适用于行动语言的实际因果关系定义,以联系自动化规划和因果关系,并显示了因果关系在伦理推理模拟中的重要性,从而使领域得以处理先前无法解决的情况。
May, 2022