我们探索因果关系,对称性和压缩之间的关系。我们基于学习和压缩之间的已知连接与因果模型无法识别的设置之间的已知联系。我们提出了一个框架,在该框架中由于多种环境压缩数据而出现因果关系。我们将算法因果关系定义为因果关系的替代定义。我们证明了算法因果关系和对称结构如何从最小化Kolmogorov复杂性上的上限的情况下出现,而无需干预目标。我们假设这些见解还可以提供有关机器学习模型中因果关系(例如大语言模型)的出现的新观点,在这些模型中,因果关系可能无法明确鉴定。关键字:算法因果关系,压缩,对称性,Kolmogorov复杂性
![arxiv:2502.04210v1 [cs.lg] 2025年2月6日PDF文件第1页](/bimg/0/0f7a05b5eccbd74278bce176f5254dd307b15886.webp)
![arxiv:2502.04210v1 [cs.lg] 2025年2月6日PDF文件第2页](/bimg/3/3c4eba65d6aeba3e763a8111cf7cb3af4e0f80af.webp)
![arxiv:2502.04210v1 [cs.lg] 2025年2月6日PDF文件第3页](/bimg/3/3bfd12658dbd5d166c6a654e319b76935f4fcf99.webp)
![arxiv:2502.04210v1 [cs.lg] 2025年2月6日PDF文件第4页](/bimg/d/d1d75a3356359dd8c511107412b71f03d53c173d.webp)
![arxiv:2502.04210v1 [cs.lg] 2025年2月6日PDF文件第5页](/bimg/2/2f219e40f92399724de5e2b8cd95df2410d7e41c.webp)
