XiaoMi-AI文件搜索系统
World File Search System因果
使用结构因果模型对潜在选择进行建模
选择偏差在现实世界的数据中普遍存在，如果处理不当，可能会导致误导性的结果。我们在结构因果模型 (SCM) 上引入了一个条件操作，以从因果角度对潜在选择进行建模。我们表明，条件操作将具有显式潜在选择机制的 SCM 转换为没有这种选择机制的 SCM，它根据原始 SCM 对所选子群体的因果语义进行部分编码。此外，我们表明这种条件操作保留了 SCM 的简单性、非循环性和线性，并且与边缘化相通。由于这些特性，结合边缘化和干预，条件操作为在因果模型中进行因果推理任务提供了一个有价值的工具，其中潜在细节已被抽象出来。我们通过示例演示了如何将因果推理的经典结果推广到包括选择偏差，以及条件操作如何帮助对现实世界的问题进行建模。
fMRI 神经反馈任务的动态因果建模
1 智利圣地亚哥天主教大学工程、医学和生物科学学院生物和医学工程研究所，2 智利瓦尔帕莱索大学脑动力学实验室，3 智利维尼亚德尔马安德烈斯贝洛大学工程学院健康与福祉创新技术研究所，4 英国伦敦大学学院认知神经科学研究所，5 美国纽约州纽约市哥伦比亚大学精神病学系，6 英国伦敦大学学院神经病学研究所威康人类神经影像中心，7 美国田纳西州孟菲斯市圣裘德儿童研究医院，8 西班牙瓦伦西亚瓦伦西亚研究生院和人工智能研究网络，9 西班牙瓦伦西亚大学工程学院电子工程系
马尔可夫决策过程的因果模仿：部分...
模仿学习使代理可以在绩效指标未知并且未指定奖励信号时从专家演示中学习。标准模仿方法通常不适用于学习者和专家的参议员能力不匹配和示威的情况，并被未观察到的混杂偏见污染。为了应对这些挑战，已追求因果模仿学习的最新进步。但是，这些方法通常需要访问可能并非总是可用的基本因果结构，从而带来实际挑战。在本文中，我们研究了使用部分识别的规范马尔可夫决策过程（MDP）内的强大模仿学习，即使在系统动力学不是从混杂的专家演示中确定系统动力学的情况下，也允许代理商实现专家性能。特定的，首先，我们从理论上证明，当MDP中存在未观察到的混杂因素（UCS）时，学习者通常无法模仿专家的表现。然后，我们在部分能够识别的设置中探索模仿学习 - 从可用的数据和知识中，转移分布或奖励功能是无法确定的。增强了著名的Gail方法（Ho＆Ermon，2016年），我们的分析导致了两种新颖的因果模仿算法，这些算法可以获得有效的政策，以确保实现专家绩效。
量子理论的因果局部表述的新前景
很难从教科书量子理论中发现的有限成分中提取可靠的因果区域。最后，贝尔布布利（Bellbly）警告说，他的同名定理是基于标准，即“应以最大的怀疑来看待”。很明显，通过在波功能范式之外走出来，可以从老式的配置空间以及“单稳态”定律中重新重新制定量子理论。这些统一定律采用了定向条件概率的形式，事实证明这为编码微物理因果关系提供了好客的基础。这种联合重新制定提供了量子理论，它具有更简单，更透明的公理基础，合理地解决了测量问题，并缩减了有关叠加，干扰和纠缠的各种异国情调的主张。利用这种重新制定，本文介绍了一个新的因果区域原则，该原则旨在改善贝尔的标准，并直接表明，根据这一新原则，保留在Spacelike分离中的系统不能相互影响。因此，这些结果导致对量子理论的一般隐藏变异解释，该解释与因果区域兼容。
drug2ways：生物学网络中因果路径的推理
阐明负责疾病的因果机制可以揭示药理学干预的潜在治疗靶标，并因此指导药物重新定位和疾病。本质上，网络的拓扑结构可以揭示候选药物对特定生物学状态的影响，从而为增强疾病表征和高级疗法设计带来了道路。基于网络的方法特别适合这些目的，因为它们具有鉴定疾病潜在的分子机制的能力。在这里，我们提出了Drug2ways，这是一种新的方法，该方法利用多模态因果网络来预测候选药物。drug2ways实现了一种有效的算法，该算法的原因是，大规模生物网络中因果路径的原因是为给定疾病提出候选药物。我们使用临床试验信息验证了我们的方法，并证明了如何将药物2道路用于多种应用来识别：i）单靶药物候选者，ii）具有可以优化多个目标的多药理学特性的候选者，以及iii）候选候选者组合治疗。最后，我们使科学界的药物2道路可作为Python软件包，该软件包可以以多种标准网络格式进行这些应用程序。
理解数字事件：过程哲学和因果自主性
我们强调，我们并不是说技术本身在某种程度上是“坏的”。糟糕的设计是许多问题的根源。然而，随着算法的数量和人工智能在这些技术运行中的日益参与，设计师不再总是能够自己掌控：算法可能会产生意想不到的后果。在数字时代，用户有时会以设计师无法预料的方式添加内容和互动。因此，降低风险需要用户和设计师有意识的努力。然而，至关重要的是，用户可能会被他们所处的数字世界所淹没，因为他们试图协调多个独立设计的数字设备，而他们没有也不可能具备这样做的能力，因为数字世界继续以惊人的速度创新
采用机械分子生物学方法，用于因果理解
摘要：通过调查个人一生中经历的环境暴露的综合影响，Exposome研究提供了了解和减轻负面健康结果的机会。虽然当前的释放症研究是由识别暴露与影响之间的关联的流行病学研究驱动的，但新的框架 - 整合了包括电子健康和行政记录在内的更实质性的人口级元数据，将进一步揭示表征环境暴露风险的表征。分子生物学提供了研究实验和计算系统中展示体的生物学和健康影响的方法和概念。特别重要的是，在流行病学和临床研究中，OMICS读数的使用日益增长。本文呼吁采用机械分子生物学方法，作为理解人类表型基因型和暴露相互作用的重要步骤。提出了一系列建议，以做出从暴露关联到因果关系的必要和适当的步骤，具有巨大的潜力，可以为精确的医学和人口健康提供依据。这包括在杂物组领域内建立假设驱动的实验室测试，并得到适当的方法，可以从模型系统研究到人类进行读取。关键字：杂物，分子生物学，毒理学，人类健康，暴露，GXE，环境■简介
Causal-HRI：人类机器人相互作用的因果学习
现实世界中的人类机器人相互作用（HRI）要求机器人熟练地感知并了解其操作的动态以人为中心的环境。近几十年来，已经看到了出色的广告，这些杂志具有出色的感知能力。关于“因果关系：人类机器人互动的因果学习”的第一个研讨会旨在将研究观察者从因果发现，推理和因果学习到现实世界中的HRI应用程序中汇集在一起。本研讨会的目的是探索策略，这些策略不仅将嵌入具有能力的机器人，从观察结果中发现因果关系，从而使它们能够概括地看不见的间隔设置，还可以使用户能够理解机器人行为，超越这些机器人使用的“黑色盒子”模型。本研讨会旨在通过受邀的主题演讲，贡献会谈，小组讨论和海报会议来促进观点，鼓励各种社区的合作。HRI 2024的主题“现实世界中的HRI”将为该研讨会的总体主题提供信息，鼓励讨论HRI理论，方法，设计和研究，重点是利用因果学习来增强现实世界中的HRI。
因果图中前门调整的线性时间算法
观察数据的因果效应估计是经验科学中的基本任务。当没有观察到的混杂因素参与系统时，这变得特别具有挑战性。本文着重于前门调整 - 一种经典技术，使用观察到的调解人即使在存在未观察到的混杂的情况下，也可以识别因果关系。虽然在前门估计的统计特性众所周知，但长期以来其算法方面尚未探索。In 2022, Jeong, Tian, and Bareinboim presented the first polynomial-time algorithm for finding sets satisfying the front-door criterion in a given directed acyclic graph (DAG), with an O ( n 3 ( n + m )) run time, where n denotes the number of variables and m the number of edges of the causal graph.在我们的工作中，我们给出了第一个线性时间，即O（n + M），该任务的算法，因此达到了渐近最佳的时间复杂。此结果意味着所有前门调整集的O（n（n + M））延迟枚举算法，再次将先前的工作提高了n 3。此外，我们提供了第一个线性时算法，用于查找最小的前门调整集。我们在多种编程语言中提供了算法的实现，以促进实际用法并验证其可行性，即使对于大图。
使用Rindler观察者模拟无限期的因果秩序
实现了有限的因果秩序（ICO），理论上的可能性即使物理事件之间的因果关系也可以受到量子叠加的构度，除了其基本物理研究的一般重要意义外，还将启用量子信息处理，从而超过基础的causal结构，这些方案均超过了causal结构。在本文中，我们从一个主张开始，即观察者处于量子叠加状态的状态，即与黑洞的事件范围在两个不同的相对距离处，有效地存在于黑洞产生的ICO时空。通过援引施瓦茨柴尔德黑洞的近摩恩几何形状是Rindler时空的几何形状，我们提出了一种通过Rindler观察者模拟ICO时空观察者的方法，即以两种不同适当的适当加速的叠加状态下的叠加状态。通过扩展，一对带有适当加速的Rindler观察者模拟了一对纠缠的ICO观察者。此外，这些Rindler-Systems可能通过光力谐振器具有合理的实验实现。