XiaoMi-AI文件搜索系统
World File Search Systemcausal
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。
使用结构因果模型对潜在选择进行建模
选择偏差在现实世界的数据中普遍存在，如果处理不当，可能会导致误导性的结果。我们在结构因果模型 (SCM) 上引入了一个条件操作，以从因果角度对潜在选择进行建模。我们表明，条件操作将具有显式潜在选择机制的 SCM 转换为没有这种选择机制的 SCM，它根据原始 SCM 对所选子群体的因果语义进行部分编码。此外，我们表明这种条件操作保留了 SCM 的简单性、非循环性和线性，并且与边缘化相通。由于这些特性，结合边缘化和干预，条件操作为在因果模型中进行因果推理任务提供了一个有价值的工具，其中潜在细节已被抽象出来。我们通过示例演示了如何将因果推理的经典结果推广到包括选择偏差，以及条件操作如何帮助对现实世界的问题进行建模。
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
fMRI 神经反馈任务的动态因果建模
1 智利圣地亚哥天主教大学工程、医学和生物科学学院生物和医学工程研究所，2 智利瓦尔帕莱索大学脑动力学实验室，3 智利维尼亚德尔马安德烈斯贝洛大学工程学院健康与福祉创新技术研究所，4 英国伦敦大学学院认知神经科学研究所，5 美国纽约州纽约市哥伦比亚大学精神病学系，6 英国伦敦大学学院神经病学研究所威康人类神经影像中心，7 美国田纳西州孟菲斯市圣裘德儿童研究医院，8 西班牙瓦伦西亚瓦伦西亚研究生院和人工智能研究网络，9 西班牙瓦伦西亚大学工程学院电子工程系
从金融发展到非正规化：因果关系
1 在文献中，“非正规”一词表示所有未受正式协议或仅部分受正式协议覆盖的经济活动。该术语非常笼统，涵盖其他更具体的术语，例如地下经济、影子经济或非官方经济。在我们的分析中，我们指的是这个一般含义。 2 例如，Pappada 和 Zylberg (2017) 表明，非正规边缘的经济活动可以改变各国税收遵从对税率的反应。Prado (2011) 表明，在 OECD 国家样本中，大多数国家都将受益于非正规性的减少。Restrepo-Echavaria (2014) 表明，对非正规部门规模的错误测量可能会给政策制定者理解衡量的周期性波动带来挑战。Ohnsorge 和 Yu (2021) 对大型非正规部门造成的政策挑战进行了全面回顾。 3 其他人记录了企业或工人层面非正规性的其他原因。 Kanbur (2017) 和 Loayza (2018) 讨论了企业和家庭层面非正式活动的原因。Ulyssea (2020) 总结了各种政策（注册支持、劳动法执行、增值税抵免制度、贸易协定）对个体企业的影响以及各种社会计划对个体工人的影响。
马尔可夫决策过程的因果模仿：部分...
模仿学习使代理可以在绩效指标未知并且未指定奖励信号时从专家演示中学习。标准模仿方法通常不适用于学习者和专家的参议员能力不匹配和示威的情况，并被未观察到的混杂偏见污染。为了应对这些挑战，已追求因果模仿学习的最新进步。但是，这些方法通常需要访问可能并非总是可用的基本因果结构，从而带来实际挑战。在本文中，我们研究了使用部分识别的规范马尔可夫决策过程（MDP）内的强大模仿学习，即使在系统动力学不是从混杂的专家演示中确定系统动力学的情况下，也允许代理商实现专家性能。特定的，首先，我们从理论上证明，当MDP中存在未观察到的混杂因素（UCS）时，学习者通常无法模仿专家的表现。然后，我们在部分能够识别的设置中探索模仿学习 - 从可用的数据和知识中，转移分布或奖励功能是无法确定的。增强了著名的Gail方法（Ho＆Ermon，2016年），我们的分析导致了两种新颖的因果模仿算法，这些算法可以获得有效的政策，以确保实现专家绩效。
fairadapt：公平数据预处理的因果推理
机器学习算法对于各种预测任务很有用，但它们也可以学习如何根据性别，种族或其他敏感属性来区分。这种实现产生了公平的机器学习领域，该领域旨在识别，量化和最终减轻这种算法偏见。此手稿描述了R软件包Fairadapt，该软件包实现了因果推理预处理方法。通过使用因果图形模型以及观察到的数据，该方法可用于解决“我的薪水是什么，如果我的性别/种族不同？”的假设问题。这种个人级别的反事实推理可以帮助消除歧视并有助于证明公正的决定。我们还讨论了适当的放松，假设某些因果关系从敏感属性到结果没有歧视性。
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
交易因果关系订单| Ravi Kunjwal
量子理论接纳了量子非局部性的集合而没有纠缠（QNLWE）。这些合奏由看似古典的状态（它们是完全可区分的且无输入的）组成的，这些状态不能完全歧视本地操作和经典交流（LOCC）。在这里，我们从因果的角度分析了Qnlwe，并展示了如何使用本地操作和经典交流完美地歧视其中的某些集团，而无需确定的因果关系。具体来说，三方访问了无限期因果秩序实例（Araújo-Feix - Baumeler-Wolf进程）可以完美地歧视QNLWE合奏中的状态 - 与本地操作的移动合奏。因此，这种类型的量子非局部性以一定的因果秩序消失，同时保留经典的交流。我们的结果从而利用了LOCC是三个约束的结合的事实：本地操作，经典交流和确定的因果秩序。此外，我们还展示了Araújo-Feix的多部分概括 - Baumeler-Wolf工艺如何转化为展示QNLWE的多Quhitemembles。此类合奏对于加密协议具有独立的兴趣，并且研究了LOCC无法实现的可分离量子操作。
经济增长与总产值的因果关系...
表 2 各部门对经济增长的贡献 3 个时期 项目 农业 工业 DS OS SUM 1960/61-1973/74 值 1.41 0.64 0.91 0.95 3.91 CF 0.55 1.91 2.12 1.85 百分比 36.0 16.4 23.2 24.3 100.0 1974/75-1990/91 值 0.34 0.42 0.36 0.68 1.80 CF 0.34 2.06 1.41 1.91 百分比 19.0 23.2 20.0 38.1 100.0 1991/92-2002/03 值 0.86 0.62 0.96 2.22 4.67 CF 0.39 1.27 1.46 1.78 百分比 18.5 13.4 20.6 47.6 100.0 1960/61-2002/03 值 0.75 0.35 0.48 0.99 2.57 CF 0.52 1.36 1.42 1.98 百分比 29.2 13.8 18.5 38.6 100.0 来源：作者使用 MOFED 的国民账户数据计算。