XiaoMi-AI文件搜索系统
World File Search SystemCausal
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。
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。
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
因果健康公平的算法方法：重症监护室（ICU）结果中的种族差异
卫生公平被定义为每个人都有公平而公正地实现最高健康水平的国家。实现健康平等被认为可以改善社区的福祉，降低医疗保健成本，并提高生产力和寿命。但是，健康差异仍然很大。在这种情况下，大规模数据收集和分析的新时代为诊断和了解健康不平等的原因提供了机会。在这项研究中，我们描述了使用因果推断工具系统地分析健康差异的框架。我们通过调查澳大利亚多数族裔与少数群体之间的种族和种族差异（ICU）（ICU）（ICU）（土著与非土著）和美国（非裔美国人与白人）之间的种族和种族差异来说明框架。我们证明，量化不平等的常用统计措施不足，并专注于将观察到的差异归因于产生它的因果机制。我们发现，少数族裔患者在入院时年龄较小，患有慢性健康，更有可能出于紧急和非安全原因而被录取，并且患病严重程度更高。同时，我们还发现属于少数群体的保护性直接效应，与大多数人相比，少数族裔患者的生存率提高，所有其他变量都相等。然后，我们证明这种保护效应与ICU接纳的可能性增加有关，而少数族裔患者患ICU的风险增加。此外，我们还发现，少数族裔患者在提高生存率的同时，实际上更有可能被重新入学到ICU。这些发现支持以下假设：由于获得初级卫生保健的机会较差，少数族裔患者更有可能在ICU中出现可预防的条件，从而导致死亡率降低并产生似乎具有保护性的作用。由于ICU入院的基线风险可能会因为缺乏获得初级保健服务而成为代理人，因此我们开发了本地重症监护股（IICE）雷达，这是一种监测系统，该监测系统可通过澳大利亚本地人口在跨地理区域中追踪ICU资源过度利用ICU资源。
使用真实世界数据进行因果推断的方法
• 舒尼替尼 (n=243) vs 安慰剂 (n=118) • 中期分析（最长随访 54 周）：总生存率 HR = 0.49 • 对照组患者随后可改用舒尼替尼 → 84% 的患者改用 • 后期随访：ITT 分析：OS HR = 0.88，ICER = £77k 保序结构失效时间模型（带 g 估计）：OS HR = 0.51，ICER = £32k → RPSFTM 被认为可以接受并推荐使用舒尼替尼
因果一致性：使用A/B测试的增强语言模型
我们通过调整语言模型以超过A/B测试结果来开发一个通用框架，以优化营销传播的内容。我们微调了一种语言模型，将较低表现的内容转换为表现较高的变体，教会其在文本空间中进行爬山。部署后，该模型会改善人类提出的营销内容。此设计可确保AI援助不太可能损害绩效，从而减轻实施风险并促进组织的采用。我们通过电子邮件营销中的大规模现场实验来验证我们的框架。在涵盖2.83亿印象的36个活动中，在我们调整的模型的协助下创建的主题行实现了单击的速度，比未经辅助的人类专家创造的汇率高33％。这些绩效增长是由于内容质量的提高而有因果关系，从而确认了我们框架的有效性。此外，具有30倍的通用语言模型该参数无法改善结果，而我们较小的微调模型成功，这表明域特定于适应性是必要的，并且相对较小的语言模型就足够了。我们的发现提供了实验证据，表明语言模型可以从A/B测试中提取可概括的见解，从而实现从文案到创意设计的非结构化营销决策的系统优化。
使用知识图授权大规模制造管道的因果机学习
抽象理解制造管道中的因果关系对于关键制造任务（例如异常检测和根本原因分析）至关重要。但是，现有的因果机学习（因果ML）方法难以有效地扩展到制造环境中存在的大量变量。我们倡导将域知识纳入制造管道中，称为知识图（KGS），用于设计用于大规模制造问题的因果ML方法。知识图可以编码有关不同组件和制造管道阶段之间相互作用和依赖关系的丰富上下文信息，从而提供了一个结构化框架来指导发现因果关系。通过合并KG，因果ML模型可以利用数据驱动的方法和领域知识，提高可扩展性并提高大规模制造环境中因果学习的准确性。
生成人工智能的因果表征学习：应用于文本治疗
有军事背景的候选人简历 安东尼·希金斯出生于特拉华州纽卡斯尔县红狮百户区。他就读于纽瓦克学院和特拉华学院，1861 年毕业于耶鲁学院，在校期间是骷髅会成员。在哈佛法学院学习法律后，他于 1864 年取得律师资格，开始在特拉华州威尔明顿执业。1864 年，他还在美国陆军服役过一段时间。 无军事背景的候选人简历 本杰明·塔潘出生于马萨诸塞州北安普敦，是本杰明·塔潘和莎拉 (霍姆斯) 塔潘的第二个孩子和长子，莎拉是本杰明·富兰克林的侄孙女。他的两个弟弟是废奴主义者亚瑟·塔潘和刘易斯·塔潘。他在北安普敦的公立学校就读，年轻时前往西印度群岛。他当过印刷工和雕刻师学徒，还随吉尔伯特·斯图尔特学习绘画。 1799 年，他在康涅狄格州哈特福德学习法律，并取得律师资格。同年晚些时候，他搬到了康涅狄格西储区，并于 1808 年建立了现在的俄亥俄州拉文纳村。1801 年 3 月 20 日，他与约翰·C·赖特（国会议员）的妹妹南希·赖特结婚，约翰·C·赖特后来成为俄亥俄州的美国众议院议员。他们有一个儿子本杰明，出生于 1812 年。5 / 21
使用定性信息：印度尼西亚的废物管理实践方法
抽象的循环供应chainmanagement（CSCM）ISAPROMISINGWOWAYTOACHIVEECONEMICANDENVI-ENVI-RONMENTAL-EDERMENTALISION并解决废物问题。但是，开发完全循环的供应链系统是昂贵且耗时的，尤其是对于中小型企业（SME）。中小企业需要通过实施废物管理实践来实现更好的CSCM。这项研究的目的是（1）批判性地验证中小型企业CSCM的层次结构； （2）确定属性之间的因果关系； （3）确定印度尼西亚中小企业改善的实际属性。一种由模糊Delphi方法（FDM），最佳方法（BWM）和模糊决策试验和评估实验室（FDEMATEL）组成的方法旨在实现这项研究的目标。结果显示了CSCM实现中的层次结构，该结构通过绩效提高而受益。废物管理实践和循环产品设计是因果方面；特别是，废物管理实践支持中小型企业，以替代CSCM。在印度尼西亚为CSCM提供实用见解的标准是生态设计，可持续的产品设计，绿色技术，废物处理能力以及为环境设计。
接种 mRNA 新冠疫苗后发生横贯性脊髓炎的因果关系
• 通过我们日常的文献监测，循证实践小组 (EBPG) 拥有由美国国家科学、工程和医学院制定的基于全面文献综述的共识声明，并于 2024 年向美国国会议员和国会工作人员进行了简报（https://www.nationalacademies.org/news/2024/04/new-comprehensive-review-examines-potential-harms-of-covid-19-vaccination-and-intramuscular-vaccination）。该报告题为“COVID-19 疫苗接种和肌肉注射疫苗不良反应的证据审查” 32 ，于 2024 年 4 月 16 日发布（文献检索日期为 2023 年 10 月 17 日）（https://www.nationalacademies.org/ocga/briefings-to-congress/evidence-review-of-the-adverse-effects-of-covid-19-vaccination-and-intramuscular-vaccine-administration）。在严格评估了高质量的方法以及本报告涵盖的相关主题的广度后，我们决定通过更新他们对横贯性脊髓炎的文献检索来扩展他们关于横贯性脊髓炎的发现，以回答我们系统评价的目标。以下简要总结了“COVID-19 疫苗接种和肌肉注射疫苗不良反应的证据审查” 32 报告。 • 为了更新文献，于 2024 年 10 月 23 日进行了全面而系统的文献检索。 • 搜索是在商业医学文献数据库上进行的，包括 Embase（1974 年至 2024 年第 42 周）、Medline 和 Epub Ahead of Print、Medline In-Process、In-Data- Review & Other Non-Indexed Citations、Medline Daily 和 Medline（1946 年至 2024 年 10 月 22 日）、Joanna Briggs Institute 循证实践数据库（截至 2024 年 10 月 16 日）、Cochrane Clinical Answers（2024 年 9 月），可通过 Ovid 平台获取。 • 文献检索采用了关键词组合。这些关键词包括：