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
本篇论文介绍了一种基于 agent assessment module 的 AI 系统执行高级指令序列并回答用户问题的方法,通过不同类别的查询来比较这种方法的计算要求和正确模型的学习所需的努力,并介绍了动态因果决策网络来捕捉 STRIPS-like 领域的因果结构。
Aug, 2021
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
本文提出了模型的鲁棒性来应对数据偏移,给出了用贝叶斯网络建模,确定参数和因果影响的干预下的最坏情况下性能的算法。实验结果表明该方法在实践网络中得出有用且可解释的范围性结论,从而可以构建出可证明因果性的鲁棒决策制定系统。
May, 2021
学习因果有向无环图(DAG)的问题,使用观测和干预实验数据的组合进行研究,采用贝叶斯方法从一般干预中进行因果发现,通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性,利用马尔可夫链蒙特卡洛(MCMC)拟合 DAG、干预目标和导致的父节点集合的后验分布,最后在模拟和真实蛋白质表达数据上评估了所提出的方法。
Dec, 2023
使用元学习方法进行因果推断,通过深强化学习和元学习技术,可以在具有潜在因果结构的高维环境中,实现以干预为中心的因果推断。
May, 2020
通过简单但常见的独立性假设,可以独特地估计干预公式的概率,包括充分性和必要性的概率。在许多感兴趣的情况下,当这些假设适用时,可以使用观测数据评估这些概率估计,这在实验不可行的情况下具有巨大的重要性。
May, 2024
该研究论文提出了一种基于随机干预的因果发现模型,通过最小化干预次数来解决因果发现问题,提供了多对数竞争比的近似算法,并给出了一些初步实验结果。
Feb, 2024
我们提出一个新颖的框架,用于在随机序列多智能体环境中为智能体的决策提供因果解释,通过自然语言交流回答广泛的用户查询,涉及联想、干预或反事实的因果推理。该方法不假定任何特定的因果图,而是依赖于相互作用的生成模型来模拟反事实世界,从而识别决策背后的显著原因。我们将该方法应用于自动驾驶的运动规划,并在耦合交互的模拟场景中进行测试。我们的方法可以正确地识别和排名相关的原因,并向用户提供简明的解释。
Feb, 2023
通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务,本文提出了匹配性的必要和充分条件以及一种自适应算法,用于学习混合因果模型中的所有真实边,具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。
Jun, 2024