XiaoMi-AI文件搜索系统
World File Search Systemcausal
健康研究的因果人工智能
佛罗里达大学学分时间：3学期：2022年秋季[班级：8月24日至2022年12月7日； exams: Dec 10-16, 2022]] DELIVERY FORMAT : On-Campus TIME: Mondays 9:35-11:30 am and Wednesdays 9:35-10:25 am LOCATION : COMM (HSC) CG-041 INSTRUCTORS Instructor Name: Jie Xu, PhD Room Number: 2004 Mowry Road, Room 3226 Phone Number: 435-238-0199 Email Address: xujie@ufl.edu Office小时：上午9点至下午5点（需要预约）讲师姓名：Takis Benos，博士室编号：2004年Mowry Rd，4210室电话号码：352-273-5048电子邮件地址：pbenos@ufl.edu办公室时间：上午9点至下午5pm（需要预约）教学助理（s）教学助理（S）：通过一个。首选课程沟通：学生可以向讲师发送问题，但鼓励他们考虑他们的问题是否对整个班级表示兴趣。专门的课程将致力于讨论和回答有关与所有学生相关的课程内容或课程机制的一般问题。先决条件：讲师批准。目的和结果课程概述本课程将涵盖“因果AI”嵌入机器学习中的基础问题，并使用有关现实世界数据的因果推理方法以及自动因果学习方法的方法。健康研究方法，例如目标试验和可运输性。人工智能公平应对健康差异和不平等。
公平功能选择：因果观点
用于分类决策任务的公平特征选择最近引起了研究人员的显着关注。然而，现有的公平特征选择算法无法完全解释特征和敏感属性之间的因果关系，从而有可能影响公平特征识别的准确性。为了解决此问题，我们提出了一种公平的因果特征选择算法，称为FAIRCFS。从特定上讲，FAIRCFS构建了一个局部因果图，该图形标识了类和敏感变量的Markov毯子，以阻止敏感信息的传输以选择公平的因果特征。对七个公共现实世界数据集进行了广泛的实验，验证了FaiRCFS与八种最先进的特征选择算法相比具有可比性的精度，同时呈现出更高的公平性。
利用因果 AI 助力做出更好的决策
使用 causaLens 识别问题的根本原因并在流程线中运行模拟，从而减少优化和推出新流程所需的时间。通过使用因果算法和人工引导的因果发现，您可以有效地构建流程线的因果结构，这比仅依靠领域专业知识要快得多，从而更快地生产和将新产品推向市场。
存在隐藏信息的量子因果推断...
量子因果关系是一个新兴的研究领域，它有可能极大地促进我们对量子系统的理解。在本文中，我们提出了一种新的理论框架，通过利用熵原理将量子信息科学与因果推理相结合。为此，我们利用隐藏原因的熵和观测变量的条件互信息之间的权衡，开发了一种可扩展的算法方法，用于在量子系统中存在潜在混杂因素（共同原因）的情况下推断因果关系。作为一种应用，我们考虑一个由三个纠缠量子比特组成的系统，并通过单独的噪声量子信道传输第二和第三个量子比特。在这个模型中，我们验证了第一个量子比特是一个潜在混杂因素，也是第二和第三个量子比特的共同原因。相反，当准备好两个纠缠量子比特并将其中一个通过噪声信道发送时，不存在共同的混杂因素。我们还证明了，当变量为经典变量时，通过密度矩阵而不是联合概率分布利用变量之间的量子依赖性，所提出的方法优于 Tubingen 数据库的经典因果推理结果。因此，所提出的方法以原则性的方式统一了经典和量子因果推理。
基底神经节 - 丘脑的因果相互作用。
受试者保持身体姿势不做任何计划好的动作，并在运动任务条件下，受试者用右手重复进行手指伸展/屈曲。BOLD 对比图像（4x4x4 毫米体素平面分辨率；回波平面成像重复时间为 1.6 秒；回波时间 21.6 毫秒；翻转角度 90º）以 100 个体积的块形式按照以下顺序记录：运动阻滞→静止阻滞→运动阻滞→静止阻滞（每个受试者 400 个总体积 = 100 个体积 x 2 个运动阻滞 x 2 个静止阻滞）。fMRI 数据与 3D 解剖图像（1x1x1 毫米体素分辨率；重复时间 7.6 毫秒；回波时间 1.6 毫秒；翻转角度 12º；250 x 250 毫米视野；256x256 采样矩阵）联合注册。所有数据集都标准化到 Talairach 空间（表 1 显示了 ROI 的位置和大小）。
因果扩散自动编码器：迈向表示 - ...
扩散概率模型（DPM）已成为高质量图像生成中的最先进。但是，DPM具有任意的潜在空间，没有可预处或可控的语义。尽管已经进行了重大的研究工作来提高图像样本质量，但使用扩散模型的可控生成几乎没有工作。具体来说，使用DPM的可控制的反事实生成已成为一个不受欢迎的区域。在这项工作中，我们提出了Causaldiffae，这是一种基于扩散的因果表示学习框架，以根据规范的因果模型来实现反事实。我们将高维度编码为与因果相关语义因素相对应的低维表示。我们使用神经结构性因果模型在潜在变量之间建模因果关系，并通过对齐确保其分离。鉴于预先训练的Causaldiffae，我们提出了一种基于DDIM的反事实生成程序，但要进行干预。我们从经验上表明，Causaldif-fae学习了一个分离的潜在空间，并且能够产生高质量的反事实图像。
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。
背景独立性和量子因果结构
量子力学与广义相对论的一个关键区别是它要求时空有一个固定的背景参照系。事实上，这似乎是统一这两个理论的主要概念障碍之一。此外，预计这两个理论的结合将产生“不确定的”因果结构。在本文中，我们提出了一种与背景无关的过程矩阵形式——一种允许不确定因果结构的量子力学形式——同时保留操作上明确定义的测量统计数据。我们通过强制形式中出现的概率——我们将其归因于离散时空点之间的测量结果——在时空点的变动下保持不变来实现这一点。我们发现：（a）我们仍然可以获得具有背景独立性的非平凡的、不确定的因果结构；（b）我们失去了在不同实验室中局部操作的概念，但可以通过将参考系编码到系统的物理状态中来恢复它；（c）置换不变性施加了令人惊讶的对称性约束，虽然形式上类似于超选择规则，但不能这样解释。
药物发现和开发中的因果推断
以在临床试验中测试一种药物是否与阻止致命癌症进展有关为例。定期概率更新意味着服用该药物会改变在规定的时间窗口内死于该疾病的条件概率，无论试验在何时何地进行。操纵意味着即使我们考虑影响患者生存的所有其他因素（例如年龄和合并症），药物治疗仍显示出额外的益处。反事实条件意味着如果不服用该药物，患者的死亡就不会被推迟。最后，作用机制意味着我们了解药物为何延长患者的生存期，例如通过激活肿瘤浸润免疫细胞。总之，这四个条件既确保了统计相关性，又确保了机械理解。他们将 Austin Bradford Hill 2 的因果关系标准置于因果背景中，并为在医疗保健中建立因果关系的哲学推理实施了实际测试。3