Do-calculus
PulseAugur coverage of Do-calculus — every cluster mentioning Do-calculus across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的因果微分方程框架超越有向无环图
本文将因果微分方程（CDEs）引入为一个新的因果推理框架，超越了传统有向无环图（DAGs）和Pearl结构因果模型的局限性。所提出的CDEs能够处理对称物理约束和反馈循环等现象，而这些现象用现有方法难以建模。该研究在扩展因果模型中定义了因果零点，并利用CDEs将因果零点和反馈都建立在动力学基础上，从而提供了一个扩展的do-演算和可识别性条件。
-
新的概率残差学习增强推荐系统
研究人员推出了一种新颖的因果贝叶斯推荐模型——概率残差学习（PRL），旨在增强现有的深度学习推荐系统。PRL通过关注真实值与基础预测之间的残差，来解决当前模型的复杂性和黑箱性质。该方法包括概率性地对用户进行分组，对领域级混淆因素进行建模，并使用do-calculus聚合特定群组的预测。实验表明，PRL可以作为即插即用组件集成，以提高性能并识别有意义的用户群组。
-
新框架将因果图和Do演算与SDEs连接起来 · 跟踪2个来源
研究人员开发了一个在随机微分方程（SDEs）背景下理解因果图和Do演算的框架。这项工作为SDEs建立了sigma-分离马尔可夫性质和Do演算，为其中不存在有向路径表示无因果效应的图提供了因果解释。该框架还引入了时间分割系统来分析子采样时间序列和Granger非因果性，并讨论了PC、FCI、CCD和CCI等基于约束的因果发现算法在SDEs上的适用性。
-
文章发现，强化学习中的因果推理面临数据损坏的挑战
一篇新文章探讨了将因果推理整合到强化学习（RL）智能体中的挑战。虽然因果模型有望为RL带来更强的泛化能力和干预能力，但如果学习到的因果图不正确，其性能可能比标准的基于相关性的方法更差。文章强调，RL智能体策略收集的数据会破坏因果发现过程，使得某些因果关系在统计学上变得不可见。这项工作旨在阐明因果模型何时能使RL从业者和研究人员受益，尤其是在非平稳环境中。
-
新的几何因果模型利用对称性进行数据推断
研究人员开发了几何因果模型（GCMs），这是一个从非独立同分布的结构化数据中进行因果推断的新框架。该方法利用数据中潜在的对称性（通过群论形式化）来实现因果识别和估计。该框架结合了几何深度学习和贝叶斯推断，并已应用于构建一个满足DNA对称性的因果模型，为遗传变异效应提供了新的估计器。
-
新方法简化复杂模型的因果数据融合
研究人员引入了因果数据融合的新方法，这是一种结合观察数据和实验数据以识别因果效应的技术。所提出的方法利用剪枝和聚类操作作为预处理步骤，以管理与do-calculus相关的计算复杂性，特别是在变量众多和因果图复杂的情况下。这些方法旨在减小模型尺寸同时保留关键特征，并在流行病学和社会科学领域进行了应用演示。