English(EN) Physical Simulators as Do-Operators: Causal Discovery under Latent Confounders for AI-for-Science

新方法使用物理模拟器进行具有潜在混淆因素的因果发现

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-08 09:14

研究人员引入了CFM-SD，一种新颖的因果发现方法，能够有效处理潜在混淆因素和现实世界干预数据。该方法利用第一性原理物理模拟器作为do-运算符，显著优于现有假设因果充分性的方法。CFM-SD在合成数据上表现出卓越的性能，并在降低分子毒性预测和电池电解质优化偏差方面显示出实际价值。 AI

影响通过解决潜在混淆因素和现实世界数据限制，增强了AI在科学领域进行因果发现的能力。

排序理由发表了一篇详细介绍新因果发现方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Tsuyoshi Okita · 2026-05-08 09:14

物理模拟器作为 do-算子：AI for Science 在潜在混淆因素下的因果发现

Existing interventional causal discovery methods -- IGSP, DCDI, ENCO -- assume causal sufficiency (no latent confounders) and rely on virtual interventions in synthetic simulators. In AI-for-Science settings such as molecular design and materials science, latent confounders are u…