Structural Causal Models
PulseAugur coverage of Structural Causal Models — every cluster mentioning Structural Causal Models across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新论文探讨因果关系以实现现实的AI决策
本论文探讨了因果关系与机器学习的交叉点，以解决泛化和决策方面的局限性。它提出了一个新的算法追溯框架，侧重于现实的成本函数和策略评估的时间维度。此外，它将因果干预扩展到动力系统，将过程均衡与结构因果模型联系起来，以更现实地表示时间动态。
-
AI框架推动计算化学和因果推理发展 · 跟踪3个来源
研究人员开发了Magnolia，一个持久内存AI代理框架，旨在通过整合各种计算协议和分析海量分子数据来协助化学家。该框架利用三层内存系统将观察结果提炼为结构化学习、项目级条目和跨项目规则，这些规则能主动指导后续工作并提供直接的化学反馈。在涉及量子化学评估、分子动力学和蛋白质-肽对接的案例研究中，与没有内存的系统相比，Magnolia表现出更高的性能和可重复性。 另外，还提出了一个用于结构因果模型（SCMs）的新型半解析推理框架。该框…
-
新框架应对人工智能决策中的不确定性
研究人员开发了一个新的框架，用于马尔可夫决策过程（MDP）中的反事实推理，该框架同时考虑了统计和因果不确定性。这种方法为与区间MDP（IMDP）兼容的多个结构因果模型（SCM）的反事实概率提供了分析界限。该框架还包括一种计算最小鲁棒干预的方法，通过在诱导的反事实IMDP上使用悲观值迭代来实现期望的反事实结果，使其在现实环境中高效且可扩展。
-
LimiX-2 模型通过新的网络范式推动结构化数据智能 · 跟踪到 2 个来源
研究人员推出了 LimiX-2，这是 LimiX 系列中一个专为通用结构化数据智能设计的新模型。该模型利用上下文机制网络 (CMNs) 并使用上下文条件掩码建模 (CCMM) 进行预训练。LimiX-2 将重点从目标中心预测转移到面向机制的联合建模，学习给定上下文内数据生成的联合结构。在 TabArena、TALENT 和 BCCO 等基准测试上的评估表明，LimiX-2 超越了现有的特定数据集和表格基础模型，并且其注意力机制还能实现…
-
新的基准测试评估大型语言模型因果发现和推理能力 · 跟踪 4 个来源
研究人员推出了新的基准测试，以评估大型语言模型 (LLM) 的因果发现和推理能力。CausalArena 为在各种合成和真实世界数据集上对因果发现基础模型 (CDFM) 进行基准测试提供了一个统一的框架，揭示了基于基准测试设计的显著性能变化。CausalVerify 侧重于大型语言模型执行和验证因果估计工作流的能力，发现虽然一些大型语言模型可以生成代码，但其基于执行的正确性通常较低。CausalBN-Bench 评估了大型语言模型在贝…
-
arXiv论文引入新的因果推理框架
arXiv上的两篇新研究论文引入了新的因果推理框架。第一篇论文提出了二分图因果模型（BGCMs），以解决现有因果贝叶斯网络和结构因果模型在处理具有循环依赖性的系统时的局限性。第二篇论文为无环结构因果模型的图手术和do算子之间建立了精确的对应关系，阐明了干预如何影响依赖关系。
-
新研究为AI中的因果概率提供更严格的界限
arXiv上发表的两篇新研究论文探讨了多值场景下因果概率（PoCs）计算的进展。第一篇由Xin Shu等人撰写，在结构因果模型中推导出了离散PoCs的闭式界限，与之前的递归方法相比，计算更简单，界限更严格。第二篇由Mueller等人撰写，通过整合协变量和中介者的因果知识，进一步完善了这些界限，并通过实证表明，这些新界限比现有的非二元界限更严格。
-
新论文为智能体定义因果世界模型
本文将因果世界模型（CWMs）作为一个框架引入，用于能够超越训练数据进行推理和行动的智能体。作者提出，有效的世界模型不仅应能生成预测，还应捕捉实体属性和交互，以解释环境动态。本文正式定义了CWMs，将其与因果表征学习、面向对象的学习、因果发现和结构因果模型等现有研究联系起来，同时还解决了可识别性问题。
-
新研究探讨从共享结果中识别因果知识
一篇新的研究论文探讨了“因果知识相对性”（RCK）的概念，提出了一个框架，其中具有不同因果模型的多个智能体可以通过共同的抽象来共享知识。该研究调查了是否可以从智能体的私有报告中唯一地识别出这种共享的“骨干”。研究结果表明，在基本的双智能体场景中，局部因果边际本身不足以进行唯一识别，但可以通过因果识别的响应函数的通信来实现，教育增值示例说明了这一点。
-
新AI框架揭示自动化研究管道中隐藏的错误
研究人员开发了基于人工智能（AI）的流行病学研究助手（ARA）框架，旨在防止自动化研究管道中的静默故障。ARA整合了因果设计原则、特定研究假设和方法论约束，使无效的因果假设可视化。该系统使用结构因果模型将自然语言研究问题转化为可执行代码和合成数据集，然后在识别假设受到控制性违反的情况下评估分析。虽然与标准的LLM生成相比，其数值准确性并未得到持续改进，但ARA将故障模式从静默的不正确估计转移到揭示协议问题和诊断故障。
-
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。
-
新论文使用范畴框架探索无穷小因果关系
本文介绍了一个新颖的范畴框架，用于在Frobenius Markov范畴内理解无穷小因果关系。文章详细阐述了干预如何被视为现有复制/丢弃结构的切线变形，并与代数和几何Frobenius性质相互作用。该研究将这些概念与结构因果模型和Pearl的do-演算联系起来，为干预身份和信息流提供了新的视角。
-
新的关系因果模型增强AI推理能力
研究人员引入了关系结构因果模型（RSCMs），以增强人工智能系统的因果推理能力。该新框架通过整合对象及其不同的关系，扩展了传统的结构因果模型，使AI能够更好地理解和泛化其环境。该论文详细介绍了RSCMs如何识别关于未见对象组合的因果和观察性查询，并提出了关系神经因果模型，该模型在模拟场景中表现优于非关系方法。
-
新研究探索超越全局单调性和部分观测的因果模型
研究人员开发了新的框架来理解复杂系统中的因果关系，特别是在处理非单调性和部分可观测性时。一篇论文介绍了非单调三角结构因果模型（NM-TM-SCMs），以解决全局单调性假设被违反的情况，并在模拟中展示了改进的反事实恢复能力。另一项工作提出了部分观测结构因果模型（POSCMs），用于形式化具有潜在上下文的因果系统，提供了比标准SCM更通用的方法。此外，还提出了一种基于分数的贪婪搜索方法，即潜在变量贪婪等价搜索（LGES），用于识别部分观测…
-
新研究探讨了具有隐藏变量和循环的因果模型中的稳定毯
本文介绍了一个新的图框架，用于理解包含隐藏变量和循环的因果模型中的稳定毯。该研究通过使用无环有向混合图（ADMG）和有向图（DG）来表征马尔可夫毯和干预稳定预测集，从而扩展了现有方法。研究结果为响应变量在复杂因果结构中给定特定预测集时，条件独立于干预变量提供了图条件。