Dec, 2023

复杂系统中的涌现和因果性：关于因果涌现及相关定量研究的调查

PDF
TL;DR本文综述了因果出现的定量理论和应用的最新进展，讨论了两个关键问题：如何量化因果出现和如何在数据中识别它。识别因果出现需要使用机器学习技术，从而在因果出现和人工智能之间建立联系。因果出现的识别建模架构同样适用于因果表示学习、因果模型抽象和基于环境模型的强化学习，因此这些领域中的任何进展都可互相促进。最后讨论了潜在应用和未来展望。
emergencecausalityquantitative theoriesmachine learning techniquesartificial intelligence
发现论文，激发创造
  • 数据中的发现：启发式学习因果涌现

    通过最大化有效信息来学习宏观动力学模型，进而捕捉和量化数据中的因果性出现模式，并展示了模型在模拟和真实数据上的有效性和优良的泛化能力。

    Aug, 2023

  • 因果性出现的原因：不确定性的重新分配及其临界条件

    本文讨论了粗粒化对于因果性和 Causal Emergence 的影响，提出了不确定性的重新分配是 Causal Emergence 的原因，并分析了决定 Causal Emergence 的阈值，进一步提供了选择正确粗粒化操作的有价值的建议。

    Dec, 2022

  • 从下而上的因果关系：一项综述

    因果关系是各个领域研究事件、现象和结果之间关系的基本方法之一，本文调查了因果关系在过去五十年的发展，揭示了它与其他方法的差异以及使用它的前提条件，同时阐明了因果关系与人工智能、生成式人工智能、机器学习、深度学习、强化学习和模糊逻辑等新方法的相互作用及其对各个领域的影响和贡献，以及其模型的可信度和可解释性，并提出了几种评估因果关系模型的方法，并讨论了未来的发展方向。

    Mar, 2024

  • 定量因果关系、因果引导的科学发现和因果机器学习

    因果分析对于可解释的深度学习和泛化提供了有前景的途径，通过将因果性纳入人工智能算法，并利用气象可预测性初次构建严格的因果分析形式体系，在过去的 18 年中，成功解决了以往因果性分析中模糊、非数量化、计算效率低等挑战，并通过广泛应用在大气海洋科学以及其他学科领域，如量子力学、神经科学、金融经济学等，带来了科学发现。本文简要回顾了这十年来的探索工作，包括重要的理论结果列表、因果深度学习框架的概述以及与地球科学相关的一些实际应用，例如关于全球变暖人为原因、El Niño Modoki 的年代预测、中国极端干旱的预测等。

    Feb, 2024

  • 因果发现综述：理论与实践

    本文介绍因果推断、因果发现、因果图、算法和真实世界应用，并探讨最近一致性观点对现有算法的概述、有用的工具和数据，以及为什么和如何可以成功利用这些方法。

    May, 2023

  • 解释出现

    出现是各个领域中的一个重要属性，可以突如其来地出现，初看并不能预测其出现。因此被认为是相对于观察者的主观属性。一些具有简单和确定性规则的数学系统却展现出突出的行为。研究这些系统为对主观和客观不需要观察者的理解提供了新思路，使得描述计算不可简化成为理解出现现象的关键。

    Aug, 2023

  • 地图胜于领土

    通过信息学理论，本文探讨了一些系统的因果结构在宏观尺度上更具信息量，特定的因果模型能够更好地利用系统特定的因果能力。最终导致这些系统的因果结构无法被微观模型完全捕获。

    Dec, 2016

  • 自动驾驶危急情况解释中的因果关系理解

    为确保自动驾驶系统的安全运行，该研究引入了因果查询的正式化，建立了抽象的安全原则，从而降低与关键影响因素相关的临界性，并对数据采集、模型质量等方面做出了贡献。

    Oct, 2022

  • 复杂自适应系统中的出现检测的时空一致性学习的层次框架

    该论文提出了一个层次结构框架，通过学习系统表示和代理表示来解决在复杂适应系统中通过本地观察检测系统中的 Emergence 形成和消失导致的问题。特别是，该方法通过自我监督的方式保持了内在的时空一致性，实现了比传统方法和深度学习方法更准确的检测，并且具有通用性，可以在代理级别和系统级别检测中使用其他深度学习方法。

    Jan, 2024

  • 因果关系的测度论公理化

    本文提出了 “因果空间” 的概念，该概念是由一个概率空间和一组称为 “因果内核” 的转移概率内核组成的，从而基于概率理论的公理化为因果性提供了一个框架。

    May, 2023