XiaoMi-AI文件搜索系统
World File Search Systemausa
肠道微生物组与年龄之间的因果关系 -
。cc-by-nc 4.0国际许可证可永久提供。是作者/资助者，他已授予Medrxiv的许可证，以显示预印本（未通过PEER REVIVE的认证）Preprint preprint the本版本的版权所有者于2025年2月3日发布。 https://doi.org/10.1101/2025.02.03.25321568 doi：medrxiv preprint
反事实理性：游戏理论的因果方法
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。
采用因果发现方法结合自然语言处理模型研究痴呆症的因果网络
该工作流程图说明了研究的预处理和分析步骤。绿色框 1 详细说明了使用自然语言处理模型的变量选择步骤。最初从英国生物库数据字典中过滤出来的变量将使用基于余弦相似度得分的自然语言处理模型进一步选择。绿色框 2 概述了因果网络分析步骤 - 使用混合图形模型和快速因果推理从每个估算数据集构建痴呆症网络。然后将结果汇总成一个完整的痴呆症网络。
b'Christopher De Bono 1、Yichi Xu 2,*、Samina Kausar 1,*、\xc2\xa3、Marine Herbane 1、Camille Humbert 1、Sevda Rafatov 1、Chantal Missirian 1,3、Mathias Moreno 1、Weiyang Shi 4、Yorick Gitton 5、Alberto Lombardini 6、Ivo Vanzetta 6、S\xc3\xa9verine Mazaud-Guittot 7、Alain Ch\xc3\xa9dotal 5、Ana\xc3\xafs Baudot 1、St\xc3\xa9phane Zaffran 1 和 Heather C. Etchevers 1,'
b'Christopher De Bono 1、Yichi Xu 2,*、Samina Kausar 1,*、\xc2\xa3、Marine Herbane 1、Camille Humbert 1、Sevda Rafatov 1、Chantal Missirian 1,3、Mathias Moreno 1、Weiyang Shi 4、Yorick Gitton 5、Alberto Lombardini 6、Ivo Vanzetta 6、S\xc3\xa9verine Mazaud-Guittot 7、Alain Ch\xc3\xa9dotal 5、Ana\xc3\xafs Baudot 1、St\xc3\xa9phane Zaffran 1 和 Heather C. Etchevers 1,'
使用因果启发的神经网络对治疗性扰动的组合预测
表型驱动的方法通过分析将患病与健康状态区分开的表型特征来鉴定遇到疾病的化合物。这些方法可以指导发现有针对性的扰动，包括小分子药物和遗传干预措施，这些扰动将疾病表型调节针对更健康状态。在这里，我们介绍了PDGRAPHER，这是一种因果启发的图形神经网络（GNN），旨在预测能够逆转疾病表型的能够逆转脑臂（一组治疗靶标）。与学习扰动如何改变表型的方法不同，Pdgrapher解决了直接预测实现所需响应所需的急性的信息问题。pdgrapher是一种将疾病细胞态嵌入基因调节或蛋白质 - 蛋白质相互作用网络中的GNN，学习了这些状态的潜在表示，并确定最佳的组合扰动，最有效地将患病的状态转移到该潜在的潜在水平内所需的身影状态。在具有化学性能的九种细胞系中的实验中，PDGRAPHER鉴定出比竞争方法高达13.33％的有效脑扰手，并获得了高达0.12的归一化折扣累积增益，以高达0.12个，以分类治疗靶标。它还在十个遗传扰动数据集上表现出竞争性能。PDGRAPHER的一个主要优势是其直接的预测范式，与传统上在表型驱动的研究中构成的间接和计算密集型模型相反。与现有方法相比，这种方法可加速训练高达25倍。pdgrapher提供了一种快速的方法，用于识别触觉扰动和推进表型驱动的药物发现。
根本原因通过因果发现而通过加固学习
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。
嘈杂的量子计量学在无限期因果秩序的帮助下
通过去极化噪声造成的一般量子统一操作员被复制并插入量子开关过程中，以实现因果阶的叠加。制定了所得开关的量子通道的表征，以便其在探针控制量子对的关节状态下的作用。然后，对开关通道进行了特定研究，以针对嘈杂的统一操作员的相位估计的重要层次任务，并由Fisher信息（经典或量子）评估。与常规估计技术进行了比较，其中直接在一个单阶段或两个阶段的级联中直接探测了具有定义阶的一个阶段或两个阶段的级联，或者使用两个或多个量子的使用它们的几种用途。在带有无限顺序的开关通道中，报告了特定属性，对于估计有意义，而不存在常规技术。表明，尽管它从未直接与统一相互作用，但仍可以单独测量它以进行有效的估计，同时丢弃与统一相互作用的探针Qubit。此外，对控制Qubit的测量还可以在常规估计变得不那么有效的情况下，在很难的条件下保持有效估计的可能性，例如，在不构成的输入探针或盲目情况下，当单位轴的轴时是盲目的情况。，即使输入探针倾向于与单一轴的轴或完全去极化的输入探针保持一致，在这些条件下，通过测量控制量轴的效率估计仍然是可能的，而在这些条件下，常规估计变得无效。还分析了开关通道的探针值的测量，并证明为相位估计增加了有用的功能。结果有助于对开关量子通道的性质和能力进行持续的识别和分析，并具有无限的订单，以进行信息处理，并发现了量子估计和Qubit Metrology的新可能性。
重新评估不确定因果顺序对量子计量的优势
量子开关是因果顺序不确定过程的典型例子，据称在量子计量领域的某些特定任务中，它比因果顺序确定的过程具有多种优势。在本文中，我们认为，如果进行更公平的比较，其中一些优势实际上并不成立。为此，我们考虑了一个框架，该框架允许对不同类别的因果顺序不确定过程的性能（由量子 Fisher 信息量化）与因果策略在给定计量任务上的性能进行适当的比较。更一般地说，通过考虑最近提出的具有经典或量子控制因果顺序的电路类别，我们得出了不同的例子，其中因果顺序不确定的过程比因果顺序确定的过程具有（或不具有）优势，从而限定了因果顺序不确定在量子计量方面的兴趣。事实证明，对于一系列示例，已知在物理上可实现的具有因果序量子控制的量子电路类被证明比因果序量子电路以及因果叠加量子电路类具有严格的优势。因此，对此类的考虑提供了新证据，表明在量子计量学中，不确定的因果序策略可以严格胜过确定的因果序策略。
识别自然对话过程中行为与局部大脑活动之间的因果关系
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
具有不确定因果顺序的通道容量增强
在时空中，事件 A 和 B 可以有三种因果关系：A 先于 B ，B 先于 A ，或者 A 和 B 有因果分离，即它们位于一个类空区间。量子力学允许存在与这些情况都不对应的因果结构。启发式地，这可以描绘为将 A 和 B 之间的顺序置于量子叠加中。更准确地说，已经提出了几种使用“过程矩阵”或“量子开关”来实现不确定因果顺序的方法 [1– 6]。虽然这些方法在数学上并不严格等价，但它们都支持一个基本思想：不确定因果顺序本质上是一种量子现象，它为迄今为止主要在时空理论中探索的概念提供了新的启示。最近，在几种量子开关的实现中已经通过实验观察到了这种现象 [7–12]。为了准确衡量量子理论为因果关系研究带来的新元素，可以将因果序的量子控制视为提供非经典通信优势的一种资源，即量子开关中的两个噪声信道可以比任何单个信道传输更多的信息 [13]。这种方法的好处是可以立即阐明量子开关的物理意义，但它依赖于一个目前尚未解决的问题，即任何局部方是否可以操作性地实施这种量子控制 [14]。在本文中，我们假设实证研究已经给出了一个积极的启发式方法：通过量子开关对因果序的量子控制已经通过实验获得。接下来，我们努力从理论上更好地理解此类设置所展示的优势。特别地，一个长期存在的问题涉及这种优势的起源：为了否认量子开关是一个独立的资源，有人认为，两个信道的单程量子叠加，在没有不确定因果顺序的情况下，已经导致了类似的结果[15，16]。在第二部分介绍基本的数学概念之后，我们探讨了这种非因果顺序的有争议的起源。