XiaoMi-AI文件搜索系统
World File Search System因果
利用llms进行因果推理和发现
因果推断广泛应用于社会科学，以分析特定治疗的影响。因果推理工具依赖于事先发现基本因果图，这是一个称为因果发现的过程。传统上，构建因果图取决于专家领域知识。但是，嵌入大型语言模型（LLMS）中的丰富知识提供了一种有希望的选择。尽管如此，仅LLMS在推断完整的因果图方面的表现很差，这主要是因为它们无法说明因果图的定向无环性。为了解决这一限制，我们提出了一种新颖的方法，将LLM与统计因果发现算法相结合，以更好地利用LLM的专家样能力。实验结果表明，所提出的方法显着提高了因果序的准确性，并有效地减少了下游因果效应估计任务中的错误。
药物发现和开发中的因果推断
以在临床试验中测试一种药物是否与阻止致命癌症进展有关为例。定期概率更新意味着服用该药物会改变在规定的时间窗口内死于该疾病的条件概率，无论试验在何时何地进行。操纵意味着即使我们考虑影响患者生存的所有其他因素（例如年龄和合并症），药物治疗仍显示出额外的益处。反事实条件意味着如果不服用该药物，患者的死亡就不会被推迟。最后，作用机制意味着我们了解药物为何延长患者的生存期，例如通过激活肿瘤浸润免疫细胞。总之，这四个条件既确保了统计相关性，又确保了机械理解。他们将 Austin Bradford Hill 2 的因果关系标准置于因果背景中，并为在医疗保健中建立因果关系的哲学推理实施了实际测试。3
个体皮质兴奋状态的因果解码
大脑对刺激的反应性随着皮质兴奋状态的快速变化而波动，这可以通过脑电图 (EEG) 中的振荡反映出来。例如，经颅磁刺激 (TMS) 对运动皮质引起的运动诱发电位 (MEP) 的幅度会随着每次试验而变化。到目前为止，还无法对导致这种兴奋性波动的皮质过程进行单独估计。在这里，我们提出了一种数据驱动的方法，使用监督学习方法在健康人中推导出单独优化的 EEG 分类器，该方法将 TMS 前的 EEG 活动动态与 MEP 幅度联系起来。我们的方法能够考虑多个大脑区域和频带，而无需先验定义它们，它们的复合相位模式信息决定了兴奋性。与标准固定空间滤波器提取的 𝜇 振荡相位相比，个性化分类器可将皮质兴奋状态的分类准确率从 57% 提高到 67%。结果表明，对于使用的 TMS 协议，兴奋性主要在 𝜇 振荡范围内波动，相关皮质区域聚集在受刺激的运动皮质周围，但受试者之间的相关功率谱、相位和皮质区域存在差异。这种新颖的解码方法允许对皮质兴奋状态进行因果研究，这对于个性化治疗性脑刺激也至关重要。
将因果发现应用于密集的纵向数据
密集纵向数据 (ILD) 可以解决心理学中的两个问题：1) 在传统实验和调查研究中，研究结果不一定代表所研究的现实生活中的结构和关系，2) 群体层面的分析通常会错误描述或模糊个人关系。然而，目前心理学中流行的分析方法还不能很好地使用 ILD 进行因果发现和因果推断。我们对 ILD 进行了第一次因果发现分析，遇到了一些挑战，并针对这些挑战开发了一些解决方案。本文描述了我们将因果发现应用于示例 ILD 数据集，并解决了出现的两个特殊挑战：1) 如何处理在不同时间线上测量的变量，2) 个人层面分析需要多少观察值。关键词：因果发现、密集纵向数据、生态瞬时评估、精准医疗、酒精使用、情绪
使用观察数据回答因果问题
大多数应用科学都关注于揭示因果关系。在许多领域，随机对照试验 (RCT) 被认为是实现这一目标的黄金标准。系统地使用 RCT 来研究因果关系（例如评估医疗效果）已为社会带来了巨大的福利收益。然而，由于财务、道德或实际限制，许多重要问题（尤其是社会科学问题）无法使用受控随机实验进行研究。例如，学校停课对学生学习和 COVID-19 病毒传播有何影响？低技能移民对就业和工资有何影响？机构如何影响经济发展？实施最低工资如何影响就业？在回答这些类型的问题时，研究人员必须依赖观察数据，即没有受控实验变异生成的数据。但对于观察数据，会出现一个基本的识别问题：任何相关性的根本原因仍不清楚。如果我们观察到最低工资和失业率相关，这是因为最低工资导致失业吗？还是因为失业和工资分配底层的工资增长较低导致了最低工资的引入？还是因为无数其他因素影响失业和引入最低工资的决定？此外，在许多情况下，随机变异本身不足以确定平均治疗效果。
基于上下文对象识别的因果神经机制
抽象对象可以根据其内在特征（包括形状，颜色和纹理）识别。但是，在日常生活中，这种特征通常不明确，例如，当物体出现在外围，杂物中或远处时。有趣的是，当对象在其典型场景上下文中看到对象时，对象识别仍然可以高度准确。基于上下文对象识别的神经机制是什么？根据并行处理帐户，基于上下文的对象识别是由对象和场景信息在单独的路径中的并行处理支持的。然后将这些途径的输出组合在下游区域中，从而在对象识别中获得上下文益处。另外，根据反馈帐户，基于上下文的对象识别受（直接或间接）从场景选择性到对象选择区域的反馈支持。在这里，在三个预注册的经颅磁刺激（TMS）实验中，我们测试了反馈假设的关键预测：该场景选择性皮质因果关系和选择性地支持基于上下文的对象识别，然后才能识别对象选择性皮层。早期视觉皮层（EVC），对象选择性的枕叶皮层（LOC）和场景选择性枕骨位置（OPA）在相对于刺激发作的三个时间点刺激，而参与者则在不同的试验中分别对场景和完整对象进行分类。这些结果表明，基于上下文的期望通过在视觉皮层中删除对象表示来有助于对象识别。结果证实了我们的预测：相对于孤立的对象识别，基于上下文的对象识别在发作后160-200毫秒被OPA选择性和因果支持，然后在发作后的260-300 ms下进行LOC。
解释量子相关性：因果与非因果
摘要：解释非局部量子相关性问题的基础是两个因素之间的紧张关系：一方面，相关性的自然解释是因果关系的表现；另一方面，物理学方面对上述相关性的解释，拒绝适应因果关系前理论概念的最基本特征。在本文中，我主张拒绝这个困境的第一个角，即量子相关性需要因果解释的假设。本文分为两部分。第一部分是破坏性的，它对因果解释非局部量子相关性的事业进行了批判性概述，目的是警告人们不要受到因果关系解释的诱惑，这种解释声称可以“免费”涵盖此类相关性。第二部分是建设性的，它介绍了所谓的结构解释（一种非因果解释，表明被解释项如何体现世界的基本结构），并认为量子相关性可以在信息论方法的量子理论背景下从结构上得到解释。
错误过程中运动准备的因果作用
目前的理论认为，错误驱动的学习过程会通过一次次的试验进行更新，以促进运动适应。这一过程如何与运动皮层准备活动相互作用（目前的模型表明运动皮层准备活动在运动启动中起着关键作用）仍不得而知。在这里，我们评估了运动准备在视觉运动适应过程中的作用。我们发现准备时间与当前试验的错误方差和后续试验的平均错误呈负相关。我们还发现了因果证据，表明运动准备期间的皮层内微刺激足以扰乱学习。令人惊讶的是，刺激并没有影响当前试验，而是扰乱了学习过程的更新计算，从而影响后续试验。这与贝叶斯估计框架一致，在该框架中，运动系统在面对不确定性时通过降低错误敏感性来降低其学习率。运动准备和错误驱动的学习系统之间的这种相互作用可能有助于对逐次试验适应背后的机制进行新的探索。
术语围产期低氧缺血基础的因果...
基底神经节和丘脑（BGT）低氧缺血性损伤在受CP影响的儿童的磁共振成像上观察到。它通常不仅涉及BGT，还涉及包括Perirandic皮层在内的一系列结构，造成BGT模式损伤。该簇中的组织具有高度代谢活跃，因此在突然发作的严重缺血时易受伤害，在这种情况下，大脑没有足够的时间进行自动调节和重定向的血液流动。[1]在缺氧 - 什锦血症的背景下，BGT模式损伤被称为“急性深刻”，反映了侮辱的突然性和严重性。严重的侮辱，“长期局部”损伤，涉及逐渐发作的缺血，损害皮质流域地区，损害了BGT。[1,2]出于急性深度窒息，BGT损伤可能在急性侮辱发作后仅10分钟内发生，因此不允许有效的产科干预。
liss2010定量方法和因果推理简介
课程描述：本课程对定量方法和因果推断的基础提供了全面的介绍。通过将理论见解与现实世界的政策应用程序相结合，学生将通过使用统计软件Stata的动手实时编码会话获得实践技能（可通过King's Software Center免费下载）。该课程是为从事应用研究的学生而设计的，它鼓励参与者在“ BYO Recression Scars”课程中带来自己的工作进行讨论和协作改进。该课程的结尾是针对裁判裁判在定量分析中的批评的讲习班，为参与者做好了成功的学术出版物的准备。