XiaoMi-AI文件搜索系统
World File Search System因果
理论就是一切：人工智能、人类认知和因果推理 †
摘要 学者们认为人工智能可以产生真正的新颖性和新知识，反过来，人工智能和计算认知模型将取代人类在不确定情况下的决策。我们不同意。我们认为人工智能基于数据的预测不同于人类基于理论的因果逻辑和推理。我们以大型语言模型 (LLM) 为例，强调了几十年来将计算机与大脑作为输入输出设备进行类比的问题。与人工智能强调的信息处理和基于数据的预测相比，人类认知最好概念化为一种基于理论的因果推理。人工智能使用基于概率的方法来获取知识，并且在很大程度上是回顾性和模仿性的，而人类认知是前瞻性的，能够产生真正的新颖性。我们引入“数据信念不对称”的概念来强调人工智能与人类认知之间的差异，并以“重于空气的飞行”为例来说明我们的论点。基于理论的因果推理为人类提供了一种认知机制，使人类能够“干预”世界并进行定向实验以生成新数据。在整篇文章中，我们讨论了我们的论点对于理解新颖性、新知识和不确定性决策的起源的影响。关键词：认知、人工智能、预测、因果推理、决策、策略、基于理论的观点
人工智能教育中的因果推理：入门
摘要：因果推理研究在机器学习和人工智能 (AI) 领域发展迅速，尤其是在迁移学习、强化学习、自动诊断和可解释性等领域。然而，尽管因果推理在解决现代人工智能的许多问题方面应用越来越广泛，但大多数人工智能课程仍然没有涉及因果主题。这项工作旨在通过提供适合课堂的入门课程来弥补这一差距，这些课程可以融入人工智能的传统主题，建议直观的图形工具应用于概率和因果推理的新课程和传统课程，并为教师提供途径，让他们认识到攀登“因果层次”的优点，以解决联想、干预和反事实推理层面的问题。最后，本研究分享了教师在多个教育层面整合这些课程的轶事经验、成功和挑战。
用于动态分配公共资源的自足因果经济
摘要 本文介绍了业力机制，这是一种在无限时间内在竞争代理之间重复分配稀缺资源的新方法。示例包括决定在高峰需求期间为哪些叫车行程请求提供服务、在交叉路口或车道合并时授予通行权或将互联网内容纳入受监管的快速通道。我们研究了这些问题的简化但富有洞察力的表述，其中在每个时刻，从大量人群中随机匹配两个代理来竞争资源。业力机制的直观解释是“如果我现在屈服，我将在未来得到回报。”代理在类似拍卖的环境中竞争，他们竞标业力单位，业力直接在他们之间流通并在系统中自成一体。我们证明，这使得一个自利的代理社会能够实现高水平的效率，而无需诉诸（可能有问题的）资源货币定价。我们将业力机制建模为动态人口博弈，并保证存在一个平稳纳什均衡。然后，我们用数字方式分析了稳定纳什均衡下的表现。对于同质代理的情况，我们比较了不同的机制设计选择，表明当代理具有未来意识时，可以实现高效且事后公平的分配。最后，我们测试了针对代理异质性的稳健性，并通过业力重新分配提出了一些观察到的现象的补救措施。
双重机器学习的因果混合建模
摘要。混合建模将机器学习与科学知识相结合，以增强对自然定律的解释性，概括和遵守。尽管如此，等于等待和正则化偏见在混合建模中构成挑战，以实现这些目的。本文介绍了一种通过因果推理框架估算混合模型的新方法，该方法专门采用双机器学习（DML）来估计因果关系。我们在两个与二氧化碳通量有关的问题上展示了它对地球科学的使用。在Q 10模型中，我们证明了基于DML的杂种建模在估计因果参数方面优于最终深度神经网络（DNN）方法，证明效率，正规化方法对偏见的稳健性以及稳固性。我们的方法应用于碳通量分配，在适应异质因果效应方面具有灵活性。这项研究强调了明确定义因果图和关系的必要性，并倡导这是一种一般的最佳实践。我们鼓励在混合模型中继续探索因果关系，以使知识指导的机器学习更加可解释和值得信赖。
与设备的因果均值聚合流式reslstm ...
在本文中，我们提出了一个流媒体模型，以区分旨在用于智能家居设备的语音查询和背景语音。提出的模型由多个具有剩余连接的CNN层组成，然后是堆叠的LSTM架构。通过使用单向LSTM层和因果均值聚集层来实现流式功能，以形成最终的话语级别预测到当前帧。为了避免在线流媒体推理期间的冗余计算，我们为每个卷积操作都使用一种缓存机制。对设备定向与非设备定向任务的实验结果表明，与以前的最佳模型相比，所提出的模型降低了41％。进一步，我们表明，与基于注意力的模型相比，所提出的模型能够在时间上准确预测。
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。
具有不确定因果顺序的量子计量学
我们研究了通过不确定的因果顺序增强的量子计量学，证明了在连续变量系统中估计两个平均位移乘积的二次优势。我们证明，没有任何以固定顺序使用位移的设置能够使均方根误差消失得比海森堡极限 1 =N 更快，其中 N 是影响平均值的位移数。与此形成鲜明对比的是，我们表明，以两种替代顺序的叠加探测位移的设置产生的均方根误差以超海森堡缩放 1 =N 2 消失，我们证明这是所有具有确定因果顺序的设置的叠加中最优的。我们的结果开启了以不确定顺序探测量子过程的新测量设置的研究，并提出了对正则对易关系的增强测试，并可能应用于量子引力。
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。
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。