XiaoMi-AI文件搜索系统
World File Search Systemcausal
个体皮质兴奋状态的因果解码
大脑对刺激的反应性随着皮质兴奋状态的快速变化而波动，这可以通过脑电图 (EEG) 中的振荡反映出来。例如，经颅磁刺激 (TMS) 对运动皮质引起的运动诱发电位 (MEP) 的幅度会随着每次试验而变化。到目前为止，还无法对导致这种兴奋性波动的皮质过程进行单独估计。在这里，我们提出了一种数据驱动的方法，使用监督学习方法在健康人中推导出单独优化的 EEG 分类器，该方法将 TMS 前的 EEG 活动动态与 MEP 幅度联系起来。我们的方法能够考虑多个大脑区域和频带，而无需先验定义它们，它们的复合相位模式信息决定了兴奋性。与标准固定空间滤波器提取的 𝜇 振荡相位相比，个性化分类器可将皮质兴奋状态的分类准确率从 57% 提高到 67%。结果表明，对于使用的 TMS 协议，兴奋性主要在 𝜇 振荡范围内波动，相关皮质区域聚集在受刺激的运动皮质周围，但受试者之间的相关功率谱、相位和皮质区域存在差异。这种新颖的解码方法允许对皮质兴奋状态进行因果研究，这对于个性化治疗性脑刺激也至关重要。
将因果发现应用于密集的纵向数据
密集纵向数据 (ILD) 可以解决心理学中的两个问题：1) 在传统实验和调查研究中，研究结果不一定代表所研究的现实生活中的结构和关系，2) 群体层面的分析通常会错误描述或模糊个人关系。然而，目前心理学中流行的分析方法还不能很好地使用 ILD 进行因果发现和因果推断。我们对 ILD 进行了第一次因果发现分析，遇到了一些挑战，并针对这些挑战开发了一些解决方案。本文描述了我们将因果发现应用于示例 ILD 数据集，并解决了出现的两个特殊挑战：1) 如何处理在不同时间线上测量的变量，2) 个人层面分析需要多少观察值。关键词：因果发现、密集纵向数据、生态瞬时评估、精准医疗、酒精使用、情绪
使用观察数据回答因果问题
大多数应用科学都关注于揭示因果关系。在许多领域，随机对照试验 (RCT) 被认为是实现这一目标的黄金标准。系统地使用 RCT 来研究因果关系（例如评估医疗效果）已为社会带来了巨大的福利收益。然而，由于财务、道德或实际限制，许多重要问题（尤其是社会科学问题）无法使用受控随机实验进行研究。例如，学校停课对学生学习和 COVID-19 病毒传播有何影响？低技能移民对就业和工资有何影响？机构如何影响经济发展？实施最低工资如何影响就业？在回答这些类型的问题时，研究人员必须依赖观察数据，即没有受控实验变异生成的数据。但对于观察数据，会出现一个基本的识别问题：任何相关性的根本原因仍不清楚。如果我们观察到最低工资和失业率相关，这是因为最低工资导致失业吗？还是因为失业和工资分配底层的工资增长较低导致了最低工资的引入？还是因为无数其他因素影响失业和引入最低工资的决定？此外，在许多情况下，随机变异本身不足以确定平均治疗效果。
解释量子相关性：因果与非因果
摘要：解释非局部量子相关性问题的基础是两个因素之间的紧张关系：一方面，相关性的自然解释是因果关系的表现；另一方面，物理学方面对上述相关性的解释，拒绝适应因果关系前理论概念的最基本特征。在本文中，我主张拒绝这个困境的第一个角，即量子相关性需要因果解释的假设。本文分为两部分。第一部分是破坏性的，它对因果解释非局部量子相关性的事业进行了批判性概述，目的是警告人们不要受到因果关系解释的诱惑，这种解释声称可以“免费”涵盖此类相关性。第二部分是建设性的，它介绍了所谓的结构解释（一种非因果解释，表明被解释项如何体现世界的基本结构），并认为量子相关性可以在信息论方法的量子理论背景下从结构上得到解释。
错误过程中运动准备的因果作用
目前的理论认为，错误驱动的学习过程会通过一次次的试验进行更新，以促进运动适应。这一过程如何与运动皮层准备活动相互作用（目前的模型表明运动皮层准备活动在运动启动中起着关键作用）仍不得而知。在这里，我们评估了运动准备在视觉运动适应过程中的作用。我们发现准备时间与当前试验的错误方差和后续试验的平均错误呈负相关。我们还发现了因果证据，表明运动准备期间的皮层内微刺激足以扰乱学习。令人惊讶的是，刺激并没有影响当前试验，而是扰乱了学习过程的更新计算，从而影响后续试验。这与贝叶斯估计框架一致，在该框架中，运动系统在面对不确定性时通过降低错误敏感性来降低其学习率。运动准备和错误驱动的学习系统之间的这种相互作用可能有助于对逐次试验适应背后的机制进行新的探索。
肠道菌群与便秘之间的因果关系
结果：我们的分析表明，特定细菌类群（例如Coprocococus1）（OR = 0.798，95％CI：0.711–0.896，P <0.001），coprococcus3（OR = 0.851，95％CI：0.740-0.97979，20.979，p = 0.009，p = 0.00.979，pocioccus1（OR = 0.798，95％CI：0.798，95％CI：0.798，95％CI：0.798，95％）， 95％CI：0.817–0.996，p = 0.041），flavonifracto r（OR = 0.823，95％CI：0.708–0.957，p <0.001）和lachnospiraceae ucg004，而其他包括Rusinococcaceae Uccaceae UccaCeae Uccaceae ci：1.1127，或者= 1.127：1127：1127 1.008–1.261, p = 0.036), Eubacterium nodatum group (OR = 1.080, 95%CI: 1.018–1.145, p = 0.025), Butyricimonas (OR = 1.118, 95%CI: 1.014–1.233, p = 0.002), and Bacteroidetes (OR = 1.274, 95%CI: 1.014–1.233，p <0.001）增加便秘风险。在反向MR分析中，发现便秘会影响某些人群的丰富性，包括家族XIII，卟啉单核细菌，Proteeobacteria，proteeobacteria，lentisphaeria，Veillonellaceae，Victivallaceae，Victivallaceae，Victivallaceae，catenibacterium catenibacterium，catenibacterium，shelimonas和Victivallales和Victivallales，指示BIDIRECTIONTALSALICTALSALICTALALALESPERTY。灵敏度分析证实了这些发现的鲁棒性，没有异质性或水平多效性的证据。
因果图中前门调整的线性时间算法
观察数据的因果效应估计是经验科学中的基本任务。当没有观察到的混杂因素参与系统时，这变得特别具有挑战性。本文着重于前门调整 - 一种经典技术，使用观察到的调解人即使在存在未观察到的混杂的情况下，也可以识别因果关系。虽然在前门估计的统计特性众所周知，但长期以来其算法方面尚未探索。In 2022, Jeong, Tian, and Bareinboim presented the first polynomial-time algorithm for finding sets satisfying the front-door criterion in a given directed acyclic graph (DAG), with an O ( n 3 ( n + m )) run time, where n denotes the number of variables and m the number of edges of the causal graph.在我们的工作中，我们给出了第一个线性时间，即O（n + M），该任务的算法，因此达到了渐近最佳的时间复杂。此结果意味着所有前门调整集的O（n（n + M））延迟枚举算法，再次将先前的工作提高了n 3。此外，我们提供了第一个线性时算法，用于查找最小的前门调整集。我们在多种编程语言中提供了算法的实现，以促进实际用法并验证其可行性，即使对于大图。
![正交表示用于估计因果量的学习
生成的AI和创造性工作：叙事，价值观和影响
triffid：提高第一响应者效率的自动机器人辅助
微守流：边缘设备的复杂性自我注意力低的视觉变压器
covid- ... 之间的不可思议和争议性溢出
arxiv：2502.10437v1 [q-bio.pe] 2025年2月9日
对表示漏洞和工程强大的视觉变形金刚的机械理解
arxiv：2502.05610v1 [CS.CL] 2025年2月8日
Goproteingnn：利用蛋白质知识图蛋白表示学习
台式4Merge：综合基准，用于合并逼真的密集交通与微交互式车辆
arxiv：2502.08704v1 [cond-mat.supr-con] 2025年2月12日
机器人引发的久坐行为的社会控制
增强数字阴影的稳健性，用于使用增强岩石物理建模的二氧化碳存储监控
arxiv：2502.07964v1 [cs.lg] 2025年2月11日
对石墨烯中振荡大声电效应的相干检测
arxiv：2502.09316v1 [CS.CL] 2025年2月13日
将基于物理的建模与锂离子电池的机器学习相结合
Trellis BMA：DNA存储的IDS通道上的编码跟踪重建
arxiv：2502.07650v1 [stat.ml] 2025年2月11日
与Soc- ... 的多间隔能量储备合作](/simg/g:\will\search\icon\source\3\371e53cea55d57b21dc3cec4490fd2d843578c28.webp)
正交表示用于估计因果量的学习 生成的AI和创造性工作：叙事，价值观和影响 triffid：提高第一响应者效率的自动机器人辅助 微守流：边缘设备的复杂性自我注意力低的视觉变压器 covid- ... 之间的不可思议和争议性溢出 arxiv：2502.10437v1 [q-bio.pe] 2025年2月9日 对表示漏洞和工程强大的视觉变形金刚的机械理解 arxiv：2502.05610v1 [CS.CL] 2025年2月8日 Goproteingnn：利用蛋白质知识图蛋白表示学习 台式4Merge：综合基准，用于合并逼真的密集交通与微交互式车辆 arxiv：2502.08704v1 [cond-mat.supr-con] 2025年2月12日 机器人引发的久坐行为的社会控制 增强数字阴影的稳健性，用于使用增强岩石物理建模的二氧化碳存储监控 arxiv：2502.07964v1 [cs.lg] 2025年2月11日 对石墨烯中振荡大声电效应的相干检测 arxiv：2502.09316v1 [CS.CL] 2025年2月13日 将基于物理的建模与锂离子电池的机器学习相结合 Trellis BMA：DNA存储的IDS通道上的编码跟踪重建 arxiv：2502.07650v1 [stat.ml] 2025年2月11日 与Soc- ... 的多间隔能量储备合作
表示学习被广泛用于观察数据的因果量（例如，有条件的平均治疗效应）。尽管现有的表示学习方法具有允许端到端学习的好处，但他们没有Neyman-Ottrol-ottrodenal学习者的理论特性，例如Double Ro-Busberness和Quasi-Oracle效率。此外，这种表示的学习方法通常采用诸如平衡之类的规范约束，甚至可能导致估计不一致。在本文中，我们提出了一类新型的Neyman-Ottrodonal学习者，以在代表水平上定义的因果数量，我们称之为或称为校友。我们的旅行者具有几个实际的优势：它们允许基于任何学习的表示形式对因果量进行一致的估计，同时提供了有利的理论属性，包括双重鲁棒性和准门的效率。在多个实验中，我们表明，在某些规律性条件下，我们的或学习者改善了现有的表示学习方法并实现最先进的绩效。据我们所知，我们的或学习者是第一批提供代表学习方法的统一框架，而Neyman-ottrol-ottrodenal学习者进行因果量估计。
全球供应链中断对...
我们研究了全球供应链中断的因果影响和政策影响。我们构建了一个新指数，该指数从集装箱船上的强制性自动识别系统数据中衡量全球供应链状态，并提出了一种新型的空间聚类算法，该算法决定了全球主要港口的容器船的实时拥塞，速度和速度和速度。我们开发了一种模型，在生产商和零售商之间进行搜索摩擦，将备用生产能力与商品市场拥堵以及产出和价格的响应联系起来，对供应链冲击的响应。产出，价格和备用能力的共同介绍产生了唯一的识别限制，使我们能够研究宏观经济结果的因果影响。我们记录了供应链冲击如何在2021年推动美国的通货膨胀，但是从2022年开始，传统的需求和供应冲击也在解释通货膨胀方面发挥了重要作用。最后，我们展示了货币政策如何在供应链中断的情况下与常规情况更有效。
使用Rindler观察者模拟无限期的因果秩序
实现了有限的因果秩序（ICO），理论上的可能性即使物理事件之间的因果关系也可以受到量子叠加的构度，除了其基本物理研究的一般重要意义外，还将启用量子信息处理，从而超过基础的causal结构，这些方案均超过了causal结构。在本文中，我们从一个主张开始，即观察者处于量子叠加状态的状态，即与黑洞的事件范围在两个不同的相对距离处，有效地存在于黑洞产生的ICO时空。通过援引施瓦茨柴尔德黑洞的近摩恩几何形状是Rindler时空的几何形状，我们提出了一种通过Rindler观察者模拟ICO时空观察者的方法，即以两种不同适当的适当加速的叠加状态下的叠加状态。通过扩展，一对带有适当加速的Rindler观察者模拟了一对纠缠的ICO观察者。此外，这些Rindler-Systems可能通过光力谐振器具有合理的实验实现。