XiaoMi-AI文件搜索系统
World File Search SystemCausal
通过RL
种群渐近学在定理1.1的结果上是有价值的：它在最小的假设下提供了无偏见的结果，尤其是对潜在结果的分布假设。实际上，这意味着我们可以应用定理1.1，而无需对n个研究参与者的招聘方式提出任何要求。然而，该结果的局限性在于它没有表征采样误差ˆτdm-∆，因此并未直接提供对稳定推断的路线图。为了取得进步，我们在这里做出了一个假设，即研究参与者（即形式上，潜在结果对{y i（0），y i（1）}）是从人口p中独立得出的。这样的种群采样假设，然后通过标准的大样本分析实现直接的分布结果和置信间隔。也可以在不进行此类抽样的情况下获得分配结果，但这样做依赖于我们目前不会追求的专业统计技术；我们将重新访问本章末尾和第12章中的书目注释中推断书目注释的无种群采样方法。
自主驾驶中场景理解的因果知识图
驾驶是一项复杂的活动，需要仔细计划和持续关注。人类驾驶员根据观察结果，过去的经验以及对潜在情景和必要行动的期望来分析其周围环境。尽管对观测数据进行了自动驾驶培训，但它们面临着陌生，不确定和冒险的驾驶情况的挑战。这些车辆在具有各种元素的环境中运行，例如交通标志，行人和其他车辆。了解这些要素之间的关系和互动对于在不同情况下理解自动驾驶汽车的行为至关重要。要实现5级完整驾驶自动化，这需要一个能够在没有人工干预的情况下处理所有驾驶任务的系统，人工智能（AI）模型需要高质量的表示，发现以及对驾驶场景中元素之间因果关系的理解1。在因果关系（CBN）[1]中表达的对因果关系的理解将受益于知识图（kg）中的明确表示。这个想法提出了许多重要的研究问题。在驾驶场景中，基于CBN的因果关系可以帮助理解广告场景吗？可以在KG中使用基于CBN的因果表示执行干预和反事实推理，例如确定特定的
肠道微生物组和阻塞性睡眠呼吸暂停之间的因果关系：双向Mendelian随机化
伴随着大声打nor，睡眠质量恶化，白天过度嗜睡和浓度降低。作为一种高度普遍的疾病，OSA每年都会显着影响数百万人的生活（Wiegand and Zwillich，1994）。据报道，成年人口的OSA发生已达到20–30％（Sanchez-de-la-torre等人，2020年），儿童的出现已达到3-5％（Chan等，2020）。如今，OSA给个人和社会带来了严格的挑战。除了生活质量恶化外，OSA患者可能会遭受中期和长期后果，包括心血管，代谢，认知和与癌症相关的改变（Moreno-Indias等，2015）。更重要的是，OSA的后遗症将降低工作效率并提高汽车事故的风险（Teransantos等，1999），这在金融和公共安全方面对社会有害。鉴于在发达国家和发展中国家观察到的肥胖流行的持续趋势，人们期望全球患有OSA的患者人数会进一步增加，这主要是由于超重/肥胖与OSA之间的密切相关性（Lam等，2012）。但是，目前的OSA诊断和治疗策略不足。OSA经常无法诊断，而未诊断的OSA产生的成本在美国高达1496亿美元。因此，必须研究OSA的病因，以更好地防止其发生，在早期进行诊断并探索OSA的新治疗方法。此外，在不适（Dissanayake等人，2021年，2021年）之后，依从性问题（Rotenberg等，2016）以及侵入性程序（Badran等人，2020年），诸如持续正气道压力（Munir等人，2023年）和下颌促进设备等传统治疗都受到依从性问题的困扰（Rotenberg等，2016）。
西非经济和货币联盟（WAEMU）的通货膨胀与经济增长之间的关系：寻找因果关系的新证据
1990-1993 0.45 -5 1994-1995 27.8 11.41 1996-2007 2.68 2.68 2.48 2008-2012 4 5.73 2013-2021 1.13 5.01资料来源：作者的调查：基于CBWAS数据
理论就是一切：人工智能、人类认知和因果推理 †
摘要 学者们认为人工智能可以产生真正的新颖性和新知识，反过来，人工智能和计算认知模型将取代人类在不确定情况下的决策。我们不同意。我们认为人工智能基于数据的预测不同于人类基于理论的因果逻辑和推理。我们以大型语言模型 (LLM) 为例，强调了几十年来将计算机与大脑作为输入输出设备进行类比的问题。与人工智能强调的信息处理和基于数据的预测相比，人类认知最好概念化为一种基于理论的因果推理。人工智能使用基于概率的方法来获取知识，并且在很大程度上是回顾性和模仿性的，而人类认知是前瞻性的，能够产生真正的新颖性。我们引入“数据信念不对称”的概念来强调人工智能与人类认知之间的差异，并以“重于空气的飞行”为例来说明我们的论点。基于理论的因果推理为人类提供了一种认知机制，使人类能够“干预”世界并进行定向实验以生成新数据。在整篇文章中，我们讨论了我们的论点对于理解新颖性、新知识和不确定性决策的起源的影响。关键词：认知、人工智能、预测、因果推理、决策、策略、基于理论的观点
脑抑制综合征与肌力脑脊髓炎/慢性疲劳综合征的发展之间的因果关系 div>
•2024年7月23日进行了全面而系统的文献搜索。• The search was done on commercial medical literature databases, including BIOSIS Previews (1969 to 2008), Embase (1974 to 2024 Week 29), Medline and Epub Ahead of Print, Medline In-Process, In-Data-Review & Other Non-Indexed Citations, Medline Daily Update and Medline <1946 to July 22, 2024>, Joanna Briggs Institute Evidence Based Practice Database (Current to July 17，2024），Cochrane临床答案（2024年6月），可通过OVID平台获得。•在此搜索中采用了关键字的组合。这些关键字如下：
肠道菌群，免疫细胞和冠状动脉疾病之间的因果关系：介导的孟德尔随机分析
心血管疾病是全球死亡的最常见原因。冠心病（CHD）是最常见的心血管疾病类型。它的特征是由于冠状动脉变窄而导致心肌功能障碍，导致血液供应不足。CHD是全球老年患者的死亡原因之一，其风险持续上升。在小鼠模型中，可以通过肠道微生物（GM）转移传播对CHD和血栓形成的敏感性（Brown and Hazen，2018）。这种传播可能与以下事实有关：微生物群落影响宿主代谢，并通过微生物相关的分子模式通过宿主模式识别受体感知，这会影响心血管疾病的发病机理。针对微生物的治疗策略有望预防或治疗心血管疾病（Brown and Hazen，2018）。正常个体和冠状动脉疾病患者之间的GM组成中存在显着差异。在健康的人中，肠道菌群主要包括坚硬，细菌植物，肌动杆菌和子宫菌，它们在维持肠道健康和免疫系统方面起着关键作用。相比之下，冠心病患者的肠道成分和结构发生了显着变化。这些变化包括某些细菌组的增加或减少，例如毛霉菌蛋白酶科和Ruminococaccaceae，以及病原体或机会性病原体的数量增加（Dai等人，2020年）。迄今报道的潜在生物标志物包括三甲胺氧化胺（TMAO），短链脂肪酸（SCFA）和次胆汁酸。例如，tmao是一种肠道的代谢产物，与动脉粥样硬化的形成密切相关和CHD的发展。研究表明，TMAO通过影响血小板活性和胆固醇代谢来促进动脉粥样硬化的形成（Tang and Hazen，2017； Witkowski等，2020）。先前的研究表明，GM与CHD之间存在很强的因果关系（Jiang等，2023; Yang等，2024），GM和代谢物的丰度变化可能会影响CHD的进展（Wang等，2024）。大量证据表明，转基因在诸如代谢性疾病和心血管疾病等疾病的发作和进展中起着至关重要的作用（Wen等，2022； Qiao等，2023）。临床研究发现，CHD和认知障碍患者的GM发生了显着变化（Sun等，2019； Paiva等，2020）。GM的变化可以通过诸如慢性炎症，促进动脉粥样硬化和促进血栓形成的机制来介导CHD的发展（Liyu等，2022）。一项研究从转录组的角度分析了GM和CHD之间的关系，发现fusicatenibacter可以通过影响几个与CHD相关的靶标，即GBP2，MLKL和CPR65高度相关（Chen等，2023）。另一项研究表明，与CHD相关的肠道菌群中的性别营养不良，有可能导致心血管疾病发生率中观察到的性别差异（Garcia-Fernandez等，2024）。许多草药也可以通过调节GM的组成，降低三甲胺-N-氧化物（TMAO）水平来对CHD进行干预，从而增加
通过深层生成模型学习结构性因果模型：方法，保证和挑战
本文对深层结构性因果模型（DSCM）进行了全面的综述，尤其着重于他们使用已知因果结构中的观察数据来回答该问题的能力。它通过分析基础深度学习组成部分和结构因果模型固有的假设，保证和应用来深入研究DSCM的特征，从而促进了对它们在解决不同的相反Quereries方面的能力和限制的理解。此外，它突出了深层结构因果建模领域的挑战和开放问题。它为研究人员设定了阶段，以确定未来的工作，并供从业者获得概述，以便为其需求找到最合适的方法。
概念级因果解释方法脑功能网络分类
使用深层模型对辅助诊断和脑部疾病治疗进行分类，对大脑功能网（BFN）进行分类。但是，深层模型的无法解释，严重阻碍了他们在计算机辅助诊断中的应用。此外，当前的解释方法主要集中在自然效果上，该方法不能直接用于解释BFN分类的深层模型。在本文中，我们提出了一种新颖的概念级因果解释方法，用于BFN分类，称为CLCEM。首先，CLCEM采用因果学习方法来提取对BFN的人类有意义的概念。第二，它汇总了相同的概念，以获得每个概念对模型输出的贡献。最后，Clcem添加了每个概念以做出诊断的基础。实验结果表明，我们的CLCEM不仅可以准确地识别与特定脑部疾病有关的大脑区域，而且还可以根据这些大脑区域的概念做出决策，这使得人可以理解决策过程而不会降低绩效。
因果关系启发性的歧视性特征学习，用于步态识别的三重领域
摘要。步态识别是一种生物识别技术，可以通过步行方式区分个人。但是，在准确提取身份特征时，以前的方法会面临挑战，因为十个特征与非身份线索纠缠在一起。为了应对这一挑战，我们提出了CLTD，这是一种因果关系启发的歧视性特征学习模块，旨在有效消除三重域中的混杂因素，即空间，时间和光谱。具体来说，我们可以使用跨像素的注意力生成器（CPAG）生成空间和时间域中事实和反事实特征的出现分布。然后，我们将傅立叶投影头（FPH）介绍给项目空间特征到光谱空间，从而保留基本信息，同时降低计算成本。此外，我们采用了一种具有对比度学习的优化方法，从而在同一主题的序列之间执行语义一致性约束。我们的方法在挑战性数据集上表现出了显着的性能提高，从而证明了其有效性。此外，它可以无缝集成到现有的步态识别方法中。