arXiv ID:
2602.22287
多层次因果嵌入 / Multi-Level Causal Embeddings
1️⃣ 一句话总结
这篇论文提出了一种新的‘因果嵌入’框架,能够将多个精细的因果模型整合到一个更宏观的模型之中,从而解决不同来源或不同粒度的数据集合并与分析的难题。
多层次因果嵌入 / Multi-Level Causal Embeddings
这篇论文提出了一种新的‘因果嵌入’框架,能够将多个精细的因果模型整合到一个更宏观的模型之中,从而解决不同来源或不同粒度的数据集合并与分析的难题。
因果函数中变量离散化导致的粗化偏差 / Coarsening Bias from Variable Discretization in Causal Functionals
这篇论文指出,在因果推断中,为了计算方便而将连续变量离散化会引入显著的近似偏差,并提出了一种通过评估组内条件均值来消除主要偏差项的简单方法,从而大幅提高了估计精度。
两步智能体:决策者与人工智能决策支持交互的框架 / 2-Step Agent: A Framework for the Interaction of a Decision Maker with AI Decision Support
这篇论文提出了一个名为‘两步智能体’的计算框架,用于模拟人工智能决策支持对决策者的影响,并通过模拟发现,即使决策者只有一个错误的初始信念,使用AI支持也可能导致比不用更糟糕的决策结果,从而揭示了AI辅助决策的潜在风险。
因果概率的通用样本量分析:一种Delta方法 / General sample size analysis for probabilities of causation: a delta method approach
这篇论文提出了一种基于Delta方法的通用框架,用于计算在因果推断中估计‘因果概率’边界时所需的实验和观察数据样本量,以确保估计结果的稳定性和准确性。
使用双重机器学习评估阵型对足球比赛的影响:摆大巴值得吗? / The Impact of Formations on Football Matches Using Double Machine Learning. Is it worth parking the bus?
这项研究通过分析超过2.2万场顶级联赛数据发现,无论进攻型还是防守型阵型,对比赛胜负和进球的影响都有限,为教练评估战术效率提供了一个新的分析框架。
CEPAE:用于时间序列反事实推理的条件熵惩罚自编码器 / CEPAE: Conditional Entropy-Penalized Autoencoders for Time Series Counterfactuals
本文提出了一种名为CEPAE的新方法,它通过给自编码器的潜在表示增加一个熵惩罚项,来更准确地预测时间序列数据在假设发生不同事件(如市场变动)后会产生的结果,并在实验中表现优于现有方法。
这项人类研究并未涉及人类受试者:验证大语言模型模拟作为行为证据的有效性 / This human study did not involve human subjects: Validating LLM simulations as behavioral evidence
这篇论文探讨了如何有效利用大语言模型模拟人类行为进行社会科学研究,对比了启发式修正和统计校准两种策略的适用场景与前提假设,并指出关键在于模型能否准确代表目标人群,而非简单地用模型替代人类被试。
基于部分因果图的因果概率边界估计 / Bounding Probabilities of Causation with Partial Causal Diagrams
这篇论文提出了一种新方法,能够在因果信息不完整的情况下,通过数学优化模型有效估算个体层面因果关系的概率范围,从而将因果推断的应用扩展到更贴近现实的复杂场景。
将非结构化文本整合进因果推断:来自真实数据的实证证据 / Integrating Unstructured Text into Causal Inference: Empirical Evidence from Real Data
这篇论文提出了一个利用基于Transformer的语言模型,直接从非结构化文本(如文档、评论)中提取信息进行因果推断的新框架,并通过与结构化数据方法对比验证了其有效性,从而在缺乏传统表格数据时也能支持基于数据的商业决策。
因果薛定谔桥:结构流形上的约束最优传输 / Causal Schrödinger Bridges: Constrained Optimal Transport on Structural Manifolds
这篇论文提出了一种名为‘因果薛定谔桥’的新方法,它利用扩散过程将因果推理中的反事实推断问题转化为一个鲁棒的最优传输问题,从而在处理数据分布发生剧烈变化的干预任务时,比传统的确定性模型更稳定、更准确。
请先 登录 后再提交论文