XiaoMi-AI文件搜索系统
World File Search System因果
有关儿童肥胖和牙本质异常的因果推断：孟德尔随机研究
摘要背景：牙面异常，包括斑纹，可能导致功能障碍和社会心理挑战。尽管生长和发展过程中的遗传学和环境因素扮演着关键的作用，但儿童肥胖的影响尚不清楚。这项研究旨在研究使用孟德尔随机化（MR）的儿童期高体重与牙本质异常之间的因果关系。方法：使用全基因组关联研究数据应用了两样本的MR方法，这是一种在遗传流行病学中用于推断暴露与结果之间因果关系和结果的一种技术，该技术使用每个遗传关联研究的摘要数据。这种方法利用基因的随机分配来克服观察性研究中的混杂和反向因果关系问题，通过使用遗传变异作为仪器变量。儿童肥胖和体重指数（BMI）是暴露和牙本质异常。在严格的过滤后，14个儿童肥胖和16个与BMI相关的单核苷酸多态性被选为使用反相反的加权，MR-EGGER，MR-EGGER，加权中位数，加权模式和Mendelian随机性随机化模式和Mendelian随机性的多效性残留率和脱位率（MR-PRESSO）方法分析的仪器变量。用于鉴定潜在的多效性，MR-EGGER截距测试和MR-Presso全球测试。此外，进行了一项删除灵敏度分析，以评估发现的鲁棒性。Cochrane的Q检验，漏斗图，EGGER截距测试和MR-Presso全球测试没有异质性或水平多效性。结果：儿童肥胖（P = 0.005，赔率无线电（OR）= 0.918 [0.865，0.974]）和较高的BMI（P = 3.72×10-6，OR = 0.736 [0.646，0.838]）与潜在的CASAL的牙本质相关关系降低，与潜在的CASAL相关性降低。保留的分析确认了结果稳定性。结论：这项研究提供了遗传证据，表明儿童肥胖和BMI可能与牙齿/下巴畸形（如牙合牙合）的发生率较低有关。虽然鉴于儿童肥胖的总体健康风险，但似乎存在逆关系，但该链接需要谨慎的解释和进一步的研究。
妊娠期疾病与新生儿黄疸之间的因果关系：双样本孟德尔随机化研究
妊娠期糖尿病、高血压、感染、先兆子痫、早产、流产和抑郁症是妊娠期间最常见的并发症 (6)，其中一些可能会导致严重的健康问题。例如，一项纳入 630 名伊朗妇女的横断面研究报告称，孕产妇先兆子痫与新生儿黄疸指数之间存在显著关系 (7)。另一项研究调查了与新生儿黄疸相关的孕产妇疾病因素，发现梅毒、妊娠期平滑肌瘤和妊娠前输卵管卵巢炎是新生儿黄疸的主要危险因素 (8)。此外，Garosi 等人 (9) 认为分娩方式和催产素诱导也可能导致黄疸。此外，Jiang 等人 (10) 发现妊娠期间子痫与新生儿黄疸之间存在显着相关性。 （10）研究了2019年至2020年1309名新生儿及其母亲患新生儿病理性黄疸的风险与母体血液参数之间的关联，发现新生儿病理性黄疸与母体血液参数之间存在潜在联系。
Causaltad：用于在线轨迹异常检测的因果隐性生成模型
摘要 - 旨在估计鉴于源用途（SD）对的轨迹的异常风险（SD）对的轨迹异常检测已成为许多现实世界应用的关键问题。现有溶液直接训练一个生成模型，以进行观察到的轨迹，并将条件生成概率P（T | C）计算为异常风险，其中T和C分别代表轨迹和SD对。但是，我们认为观察到的轨迹被道路网络偏好混淆，这是SD分布和轨迹的常见原因。现有方法忽略了此问题，将其概括能力限制在分布轨迹上。在本文中，我们定义了轨迹轨迹异常检测问题，并提出了因果关系模型（即因果关系）来求解它。Causaltad采用do -calculus来消除道路网络偏好的混杂偏见，并估计p（t | do（c））作为异常标准。广泛的实验表明，Causaltad不仅可以在训练有素的轨迹上实现卓越的性能，而且通常可以提高分布数据外数据的性能，并改善2。1％〜5。7％和10。6％〜32。分别为7％。
因果增强概论学习
因果推论提供了一组原则和工具，使人们可以将数据和知识结合起来，以与反事实性质的问题相结合，即如果现实是不同的，即使目前没有这种未实现现实的数据，也会发生的事情。强化学习提供了一系列方法，以学习一项优化特定措施（例如，奖励，遗憾）的政策，当代理人部署在环境中并采用探索性，反复试验的方法时。这两个学科已经独立发展，并且几乎没有相互作用。我们注意到，它们在同一构件的不同方面（即反事实关系）运作，这使它们毫无双重地连接。基于这些观察结果，我们进一步意识到，当这种联系被明确承认，理解和数学时，自然会出现各种新颖的学习机会。为了意识到这一潜力，我们进一步指出，部署RL药物的任何环境都可以分解为一种自主机制的集合，这些机制导致不同的因果不变，并且可以将其作为结构性因果模型而拼凑而成；今天的任何标准RL设置都暗示着这些模型之一。反过来，这种自然形式化将使我们能够将不同的学习方式（包括在线，非政策和因果关系学习）置于统一的处理方式下，这些学习似乎在文献中似乎无关。关键字：结构性因果模型，干预措施，反事实，增强学习，识别能力，鲁棒性，非政策评估，模仿学习。有人可能推测，这三种标准学习方式是详尽的，因为所有可能的反事实关系都是通过连续实施来学习的。我们表明，通过引入几种自然而普遍的学习环境类别，这些设置不符合这些方式，而是需要新颖的维度和类型的分析。特别是，我们将通过因果镜头介绍和讨论，在线学习的问题，在哪里进行干预，模仿学习和反事实学习。这组新的任务和理解会导致更广泛的相反学习的看法，并提出了研究因果推断和并排学习的巨大潜力，我们称之为因果关系加强学习（CRL）。
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。
从合成社区到合成生态系统：探索植物 - 微生物 - 环境相互作用的因果关系
植物微生物群研究领域已迅速从旨在获得对微生物群组成的描述性理解的努力转变为重点是获取对微生物群功能和装配规则的机械见解。这一进化是由我们建立综合成本构成的植物相关的微生物和toreconstructMeaningfulmicrobial合成群落（Syncoms）的能力所驱动的。我们认为，这种强大的解构 - 重建策略可用于重建日益复杂的合成生态系统（Synecos），并机械地理解高级生物组织。从简单到更高级，完全易处理和可编程的gnotobiotic合成生物的过渡正在进行中，并旨在通过工程来合理地简化自然生态系统。这种重构生态方法代表了弥合生态生物学和功能生物学之间差距以及揭开植物的差距的尚未开发的策略 - 微生物群 - 调节生态系统健康，组装和功能的环境机制。
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。
CAIRS：用于数字心理健康的因果人工智能推荐系统 Mathew Varidel，博士 a；Victor An a，Ian B. Hickie a，医学博士，Sally Cripps b，c，博士，Roman Marchant b，c，博士，Jan Scott d，博士，Jacob J. Crouse a，博士，Adam Poulsen a，博士，Bridianne O'Dea e，博士，Frank Iorfino a，博士 a 悉尼大学大脑与思维中心，澳大利亚新南威尔士州。 b 悉尼科技大学人类技术研究所，澳大利亚新南威尔士州。 c 悉尼科技大学数学与物理科学学院，澳大利亚新南威尔士州悉尼。 d 纽卡斯尔大学神经科学研究所学术精神病学，英国纽卡斯尔。 e 弗林德斯大学心理健康与福祉研究所，弗林德斯大学，南澳大利亚阿德莱德，澳大利亚。 * 通讯作者：Mathew Varidel，5 楼，1 King Street，Newtown，新南威尔士州 2042，mathew.varidel@sydney.edu.au 摘要 数字心理健康工具有望增强和扩大有需要的人获得医疗服务的机会。一些工具向个人提供干预建议，通常使用简单的静态规则系统（例如，if-else 语句）或结合预测性人工智能。然而，干预建议需要基于对不同干预措施下未来结果的比较来做出决定，这需要考虑因果关系。在这里，我们开发了 CAIRS，这是一个因果人工智能推荐系统，它使用个人的当前表现和领域之间学习到的动态来提供个性化的干预建议，以识别和排名对未来结果影响最大的干预目标。我们的方法应用于从数字心理健康工具收集的两个时间点（从基线开始 1 周 - 6 个月）的多个心理健康和相关领域的纵向数据。在我们的例子中，心理困扰被发现是影响多个领域（例如个人功能、社会联系）的关键影响领域，因此在多个领域不健康的复杂情况下，心理困扰通常是首选目标。我们的方法广泛适用于因果关系很重要的推荐环境，并且该框架可以纳入实时应用程序中以增强数字心理健康工具。关键词：因果关系；人工智能；决策理论；幸福感；心理困扰；功能；睡眠；社会支持
CAIRS：用于数字心理健康的因果人工智能推荐系统 Mathew Varidel，博士 a；Victor An a，Ian B. Hickie a，医学博士，Sally Cripps b，c，博士，Roman Marchant b，c，博士，Jan Scott d，博士，Jacob J. Crouse a，博士，Adam Poulsen a，博士，Bridianne O'Dea e，博士，Frank Iorfino a，博士 a 悉尼大学大脑与思维中心，澳大利亚新南威尔士州。 b 悉尼科技大学人类技术研究所，澳大利亚新南威尔士州。 c 悉尼科技大学数学与物理科学学院，澳大利亚新南威尔士州悉尼。 d 纽卡斯尔大学神经科学研究所学术精神病学，英国纽卡斯尔。 e 弗林德斯大学心理健康与福祉研究所，弗林德斯大学，南澳大利亚阿德莱德，澳大利亚。 * 通讯作者：Mathew Varidel，5 楼，1 King Street，Newtown，新南威尔士州 2042，mathew.varidel@sydney.edu.au 摘要 数字心理健康工具有望增强和扩大有需要的人获得医疗服务的机会。一些工具向个人提供干预建议，通常使用简单的静态规则系统（例如，if-else 语句）或结合预测性人工智能。然而，干预建议需要基于对不同干预措施下未来结果的比较来做出决定，这需要考虑因果关系。在这里，我们开发了 CAIRS，这是一个因果人工智能推荐系统，它使用个人的当前表现和领域之间学习到的动态来提供个性化的干预建议，以识别和排名对未来结果影响最大的干预目标。我们的方法应用于从数字心理健康工具收集的两个时间点（从基线开始 1 周 - 6 个月）的多个心理健康和相关领域的纵向数据。在我们的例子中，心理困扰被发现是影响多个领域（例如个人功能、社会联系）的关键影响领域，因此在多个领域不健康的复杂情况下，心理困扰通常是首选目标。我们的方法广泛适用于因果关系很重要的推荐环境，并且该框架可以纳入实时应用程序中以增强数字心理健康工具。关键词：因果关系；人工智能；决策理论；幸福感；心理困扰；功能；睡眠；社会支持
通过表征学习实现因果推理
导师 Dehan Kong 多伦多大学统计科学系副教授 dehan.kong@utoronto.ca 联合导师 Quan Long 卡尔加里大学生物化学与分子生物学系副教授 quan.long@ucalgary.ca 摘要 在这个项目中，候选人将参与一个关于大规模生物和医学数据中的因果推断的研究项目。关键创新在于进行表征学习以形成解开的潜变量（或分布），以减少噪音和非必要因素，从而为有效的因果推断铺平道路。将对脑部疾病的大规模组学数据进行分析，将统计方法转化为实际应用。这个跨学科项目将由 Dehan Kong 博士（多伦多大学）和 Quan Long 博士（卡尔加里大学）共同指导，Dehan Kong 博士是一位擅长因果推断、神经影像学和基因组学的统计学家，Quan Long 博士是一位医学院的计算机科学家，对脑部疾病感兴趣，可以接触到数据和领域专家。跨学科/应用经验 博士后研究员将在多伦多大学的 Kong 博士实验室和卡尔加里大学的 Long 博士团队之间分配时间。Kong 博士和 Long 博士在各种方法和应用统计研究领域拥有丰富的经验，涵盖因果推断、遗传和基因组学、神经成像和机器学习。他们的综合专业知识为研究员的培训和研究奠定了坚实的基础。 成功的候选人将沉浸在统计学和计算机科学的高度跨学科环境中。此外，候选人将与领域专家合作，他们可以从生物学和医学的角度提供解释。导师在相关领域有着长期的努力，并可以访问脑部疾病的大规模组学数据，包括阿尔茨海默氏症、帕金森氏症、自闭症、精神分裂症、双相情感障碍和抑郁症。研究小组可以使用最先进的计算设施，包括一台包含 800 个 CPU 的 CFI 支持的 HPC 服务器