在人类决策中的理性行为和非理性行为之间的紧张关系已在从哲学到心理学,神经科学再到行为经济学的广泛学科中得到认可。多代理相互作用的模型,例如冯·诺伊曼(Von Neumann)和摩根斯特恩(Morgenstern)的预期效用理论和纳什(Nash)的游戏理论,为代理在寻求理性时应如何行事提供了严格的数学框架。然而,理性假设受到了广泛的挑战,因为人类决策通常是非理性的,受偏见,情感和不确定性的影响,在某些情况下甚至可能会产生积极影响。行为生态学试图解释这种非理性行为,包括卡尼曼的双重过程理论和Thaler的裸露概念,并说明了与理性的偏差。在本文中,我们通过因果关系分析了这种张力,并开发了一个框架,该框架说明了理性和非理性的决策,我们将其称为因果游戏理论。然后,我们引入了一个称为反事实理性的新颖概念,该概念允许代理人做出选择,以利用其非理性倾向。我们将NASH均衡的概念扩展到反事实的行动,并表明,根据标准游戏理论,反事实行动之后的策略占据了策略。,当并非所有有关其他代理的信息都可用时,我们进一步开发了一种算法来学习此类策略。
本文通过将因果发现与增强学习整合到供应链中的产生供应风险的新颖方法是导致供应链中交付风险的归因。随着供应链的越来越复杂,根本原因分析的传统方法难以捕获各种因素之间的复杂相互关系,通常会导致虚假的相关性和次优决策。我们的方法通过利用因果发现来确定操作变量之间的真正因果关系,并加强学习来迭代地完善因果图。此方法可以准确识别后期交付的关键驱动因素,例如运输模式和交货状态,并提供可行的见解以优化供应链性能。我们将方法应用于现实世界中的供应链数据集,证明了其在揭示交付延迟的根本原因方面的有效性,并提供了缓解这些风险的策略。这些发现对提高运营效率,客户满意度和供应链中的整体盈利能力具有重大意义。
准确描述自然对话中涉及的神经生理活动仍然是一项重大挑战。在本文中,我们探讨了自然对话过程中多模态对话行为与大脑活动之间的关系。由于功能性磁共振成像 (fMRI) 的时间分辨率以及记录的多模态信号的多样性,这具有挑战性。我们使用一个独特的语料库,其中包括在 fMRI 实验中记录的局部大脑活动和行为,当时几名参与者分别与人类和对话机器人进行自然对话。该语料库包括 fMRI 反应以及由同步原始音频及其记录、视频和眼动追踪记录组成的对话信号。所提出的方法包括第一步,从功能上明确的大脑区域中提取离散的神经生理时间序列,以及描述特定行为的行为时间序列。然后,应用机器学习模型根据提取的行为特征预测神经生理时间序列。结果显示,预测分数很有希望,并且在两种情况下(即人与人对话和人与机器人对话)的行为和功能性大脑区域活动之间存在特定的因果关系。索引词:多模态信号处理、自然对话、机器学习、人与人、人与机交互、功能性磁共振成像
。CC-BY 4.0国际许可证。根据作者/筹款人提供了预印本(未经同行评审的认证)提供的,他已授予Biorxiv的许可证,以在2025年1月19日发布的此版本中显示此版本的版权持有人。 https://doi.org/10.1101/2025.01.19.633761 doi:Biorxiv Preprint
。cc-by 4.0国际许可(未经Peer Review尚未获得认证)是作者/资助者,他已授予Biorxiv的许可证,以永久显示预印本。这是该版本的版权持有人,该版本发布于2025年1月17日。 https://doi.org/10.1101/2025.01.17.633619 doi:biorxiv preprint
DALLIAE项目旨在提出一种基于因果(贝叶斯)图[4,5]的通用方法,以检测光束线实验期间的异常及其可解释性。在因果图中,我们将特别关注定向的无环图(DAG)[1]。目标是引入层次因果图,并利用替代因果模型的概念来识别最相关的简单(单参数)和关节(Pa-Rameter组合)因果关系,这些因果链接表征了异常原因的原因。这种方法是必不可少的,这是由于仪器的多尺度性质和完整的梁线,这需要对不同尺度上的因果关系有细微的理解。我们还将专注于量化与已确定的因果链接相关的不确定性,以确保其相关性。由于各种工具,参数[1,3],在实验[2]中的修改,关节效应的组合数量以及数据中异常代表性不足,因此对因果关系的搜索更加困难。在实践中,此方法将限制主要X射线或激光器仪器的操作异常的影响,以了解光束特性与光束线光学元件的物理参数之间的联系。可以随着时间的推移观察到突然的或慢的异常/变化,例如聚焦畸变直接影响测量的质量和速度。尽管AI文献中有许多异常检测方法,但它们通常基于相关性,这在传达因果关系方面无效。因此,理解和征询这些故障的原因以及与最佳测量链性能的偏差对于快速响应和梁线或激光器操作的最大可靠性至关重要。因此,该项目的目的是根据因果图提出可解释的AI,以支持光束线操作员和科学家。任务是开发基于因果关系的模型来确定涉及异常的传感器参数。该方法将补充在合适的时间范围内进行纠正措施的诊断工具。因此,可以将工作分为以下任务:
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。
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)。