XiaoMi-AI文件搜索系统
World File Search Systemcausal
定量因果关系，因果关系引导的科学发现，...
摘要可以说，因果关系分析应该为解释深度学习和概括铺平一种有希望的方法。将因果关系纳入人工智能（AI）算法，但由于其模糊性，非量化性，计算效率低下而受到挑战。在过去的18年中，这些挑战基本上已经解决了，建立了最初是由大气可预测性动机的严格的因果关系形式。这不仅在大气 - 海洋科学中开辟了一个新领域，即信息流，而且还导致了其他学科的科学发现，例如量子力学，神经科学，金融经济学等，通过各种应用。This note provides a brief review of the decade-long effort, including a list of major theoretical results, a sketch of the causal deep learning framework, and some representative real-world applications in geoscience pertaining to this journal, such as those on the anthropogenic cause of global warming, the decadal prediction of El Niño Modoki, the forecasting of an extreme drought in China, among others.关键字：因果关系，Liang-Kleeman信息流，因果人工智能，模糊认知地图，可解释性，Frobenius-Perron操作员，天气/气候预测
肠道菌群丰度与宫颈癌的发病机理之间的因果关系：双向孟德尔随机研究
Results: In primary outcomes, we found that a higher abundance of class Clostridia, family Family XI, genus Alloprevotella, genus Ruminiclostridium 9, and order Clostridiales predicted higher risk of CC, and a higher abundance of class Lentisphaeria, family Acidaminococcaceae, genus Christensenellaceae R7 group, genus Marvinbryantia, order维多利亚菌，肌动杆菌和小扁豆门预测CC的风险较低。在可验证的结果中，我们发现甲甲基类，家族放线菌科，家族甲状腺杆菌科，lachnospiraceae ucg属010，甲苯基菌科属，甲苯基逆葡萄菌属，命令放线菌和甲基甲基甲基菌属越高的风险和cccccund ccccccc，链球菌科，属媒介物和细菌植物属预测CC的风险较低，反之亦然。
学习蝇脑的因果相互作用图
神经科学的长期目标是获得神经系统的因果模型。这将使神经科学家可以用神经元之间的动态相互作用来解释动物行为。最近报道的全脑苍蝇连接组[1-7]指定神经元可以彼此影响的突触路径，而不是在体内影响彼此的突触路径。为了克服这一局限性，我们引入了一种新型的实验和统计策略，以有效地学习蝇脑的因果模型，我们称之为“效应”。具体来说，我们为飞脑动力学系统模型提出了一个估计器，该模型使用随机光遗传学扰动数据来确保估计因果效应，并在大幅提高估计效率之前作为因果效应。然后，我们分析了连接组，以提出对蝇神经系统动力学最大影响的电路。我们不涵盖的是，主要的电路显着涉及相对较小的神经元种群 - 因此，成像，刺激和神经元识别是可行的。有趣的是，我们发现这种方法还重新发现了已知电路并产生有关其动态的可检验假设。总的来说，我们对Connectome的分析提供了证据，表明苍蝇大脑的全球动态是由大量小型且通常是解剖学上局部的电路所产生的，主要是彼此独立的。这反过来意味着大脑的因果模型，即系统神经科学的主要目标，可以在苍蝇中可行地获得。
建立因果模型，以查找无人机故障的实际原因
找到无人驾驶飞机（UAV）故障的实际原因可以分为两个主要任务：建立因果模型和对其进行实际因果分析（ACA）。虽然文献中有可用的解决方案可以执行ACA，但构建全面的因果模型仍然是一个开放的问题。通常由域专家手动执行的昂贵且耗时的构建过程，阻碍了基于因果关系的诊断解决方案的广泛应用。本研究提出了一种基于自然语言处理的方法，用于自动化无人机的因果模型。从在线资源中收集文本数据后，在句子中确定了因果关键字。接下来，基于代币之间的预定依赖性规则从句子中提取原因 - 效应短语。最后，提取的原因对成对合并以形成因果图，然后我们将其用于ACA。为了演示我们的框架的适用性，我们刮擦了一个开源无人机控制器软件Ardupilot的在线文本资源。我们使用真实飞行日志的评估表明，生成的图可以成功地用于查找不良事件的实际原因。此外，我们的混合因果 - 效应提取模块的性能要比纯学习的工具（即CIRA）的精确度比纯学习的工具（即CIRA），而在我们的Ardupilet用例中，召回率为25％。
无信号限制具有不确定因果结构的量子计算
当我们想知道哪些是量子理论所允许的、不假设具有任何特定因果顺序的局部系统的集合的最普遍演化时，就会出现具有不确定因果结构的量子过程。这些过程可以在高阶量子理论的框架内描述，该理论从考虑从量子变换到量子变换的映射开始，递归地构建一个阶数不断增加的量子映射层次结构。在这项工作中，我们开发了一种具有不确定因果结构的量子计算形式；即，我们描述了高阶量子映射的计算结构。采用公理方法，这种计算的规则被确定为与量子理论的数学结构兼容的高阶映射的最普遍组合。我们对任意高阶量子映射的可接受组合提供了数学表征。我们证明，这些规则具有计算和信息论性质，是由高阶量子映射的量子系统之间的信号关系的更物理的概念决定的。
随机过程和遗传阈值效应如何解释不完整的渗透率并为因果疾病机制提供信息？
抽象不完整的渗透性是孟德尔病的规则而不是例外。在综合症单基因疾病中，表型变异性可以看作是多个独立临床特征的不完全渗透性的组合。在遗传学相同的个体中，例如等源性模型生物，根据遗传阈值模型，分子和细胞水平的随机变化是渗透不完全渗透的主要原因。通过定义因果生物学读数和遗传责任值的特定概率分布，随机性和不完整的渗透率提供了有关生物系统中阈值的信息。通过同时对相对简单的表型和单个细胞水平的分子读数进行定量，可以确定阈值的确定阈值。然而，仅使用实验和还原主义方法，对于复杂的形态表型而言，这是更具挑战性的，在这种方法上，因果和效应在时间上分开以及多种生物学模式和尺度。在这里，我考虑如何将观察数据与高置信度因果模型整合在一起的因果推断，可以用来量化不同随机变化来源对表型多样性的相对贡献。总体而言，这些方法可以为疾病机制提供依据，改善了临床结果的预测，并优先考虑基因功能模式和尺度的基因治疗靶标。
人脑中的神经元微观结构变化与神经认知衰老有关
1伦敦帝国学院，英国伦敦帝国学院2先知设计，南旧金山，美国加利福尼亚州，美国3 F. Hoffmann-la Roche Ltd，巴塞尔，瑞士，瑞士4默克公司，南旧金山，加利福尼亚州南旧金山5美国马萨诸塞州剑桥大学的自然和人工智能，美国马萨诸塞州剑桥市9号大街和哈佛大学，美国马萨诸塞州剑桥市10哈佛大学数据科学倡议，美国马萨诸塞州剑桥
心血管疾病的新发危险因素
对于大多数类型的心血管疾病，在较低剂量（< 0.1 Gy）和较低剂量率（数小时至数年的长期暴露）下，每辐射剂量的增量超额风险较高。作者观察到，以人口为基础，每 100 名暴露于 1 Gy 辐射的人中，心血管死亡的超额终生风险增加 2.3 至 3.9 人。这是除了高自然发病率之外的。由于心血管死亡率占欧洲国家所有死亡人数的 37%，因此暴露于 1 Gy 辐射的人死于心血管疾病的风险相对较高，为 39% 至 41%。因此，对循环系统疾病基于人群的超额死亡风险的估计可能与辐射诱发癌症的估计相似（根据线性无阈值模型，1 Gy 暴露导致致命癌症的终生风险约为 5%）。
因果回路Feynman图和定向无环形图的变异量子量表
我们提出了一种差异量子本素（VQE）算法，用于在循环树二元性中有效地引导多链feynman图的因果表示，或等效地，在有线图中选择了acyclic配置。基于描述多核拓扑的邻接矩阵的循环hamiltonian，其不同的能级对应于循环的数量，而VQE则将其最小化以识别因果或无环构型。该算法已改编成选择多个退化的最小值，从而达到更高的检测率。详细讨论了与基于Grover的算法的性能比较。，VQE方法通常需要更少的量子和较短的电路来实施，尽管成功率较小。
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）。