Jan, 2024

用概率图模型进行反事实推理以分析社会生态系统

PDF
TL;DR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。
causal reasoningcounterfactual reasoningstructural causal modelunidentifiable queriescounterfactual reasoning
发现论文，激发创造
  • 结构模型中的反事实和政策分析

    本文介绍了一种基于结构模型表示的因果模型的对反事实查询（例如，“如果 A 为真，C 会成为真吗？”）进行重新评估的方法，这是一种非线性概括，用于评估涉及控制变量的政策。

    Feb, 2013

  • 基于概率因果模型的高保真图像反事实

    本研究提出了一种通用的因果生成建模框架，用于准确估计具有深度结构因果模型的高保真图像反事实情况。

    Jun, 2023

  • 非确定性因果模型

    我对无确定性的非确定性结构方程模型进行了泛化，并论证它对反事实提供了改进的语义。我通过允许多值函数在结构方程中的使用来放弃了哈尔彭（Halpern）的标准确定性语义，并调整语义以确保在任何反事实世界中都保留了实际世界中获得的方程解。最后，我将这些模型扩展到概率情况，并展示了它们在因果贝叶斯网络中识别反事实的方式。

    May, 2024

  • 反事实推理与学习系统

    本文介绍如何利用因果推断来理解与环境交互并预测系统变更的后果，从而使人类和算法能够选择改变，以改善系统的短期和长期性能。作者还通过对 Bing 搜索引擎广告放置系统的实验来说明他们的方法。

    Sep, 2012

  • 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

  • 具有未观测混杂因素的纵向中介分析的反事实图模型

    该研究论文讨论了介导分析的因果效应、参数方法以及对反事实框架的一般性应用。

    May, 2012

  • 反事实上界的高效计算

    本文介绍了从结构因果模型获得置信网，通过 Credal 网络算法计算精确的反事实边界，提出了一种因果 EM 方案实现近似边界，评估了其精确度并通过关于姑息治疗的真实案例阐述了其实际应用。

    Jul, 2023

  • 使用介入和反事实推理解释因果知识图谱

    人类使用因果关系和假设的回顾来进行日常决策、计划和理解生活事件。AI 系统需要更丰富的因果关系表示来支持干预和反事实推理，以提高人类对 AI 系统的理解。Causal Knowledge Graph（CausalKG）框架利用最近的因果关系进展和 KG，提供了一种领域适应型的因果模型，用于表示 KG 中的复杂因果关系，并支持反事实推理和干预，从而实现了领域可解释性。

    Jan, 2022

  • 可解释性大脑网络分类的反事实图

    本文提出了反事实图（counterfactual graphs）作为黑盒图分类器的后解释，然后提出和比较了几种反事实图搜索策略。测试结果表明，虽然该方法是启发式的，但它可以产生非常接近最优反事实图的结果，并展示如何使用反事实图来构建全局解释，以正确捕获不同黑盒分类器的行为并为神经学家提供有趣的见解。

    Jun, 2021

  • 基于反事実的动态系统根本原因分析

    通过使用残差神经网络对动态因果系统进行建模，并得出相应的反事实轨迹分布，我们解决了现有因果方法在确定根本原因时的问题，该方法对静态环境有限且注重导致故障的外部影响，而非结构影响。我们提出的方法在动态系统基准和真实世界河流数据集上具有有效性。

    Jun, 2024