- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
因果推理比概率推理更难吗？
统计和因果推理中的许多任务可以被解释为合适的形式语言中的蕴含问题。我们问，从计算的角度来看，对于因果概率语言来说，这些问题是否比纯概率（或“关联”）语言更困难。 尽管从多种意义上讲，因果推理确实更复杂——无论是表达上的还是推理上的——我们表明因果蕴涵（或可满足性）问题可以系统地、稳健地简化为纯粹的概率问题。因此，计算复杂性不会增加。 毫无争议的是，因果推理比纯粹的概率或统计推理更困难。后者似乎已经足够困难了：估计概率、根据过去的观察预测未来事件、确定统计显着性、在统计假设之间做出裁决——这些已经是艰巨的任务，长期陷入争议。 因果推理问题似乎只会让我们的任务变得更加困难。推断因果效应、预测干预结果、确定因果方向、学习因果模型——这些问题通常需要统计推理，但也对研究者提出更多要求。 从推理的角度来看，概率信息远远不能确定因果信息。 统计推断和因果推断的一个共同特征是，每种方法最突出的方法都可以（至少部分地）理解为试图将归纳问题转化为演绎问题。
28210编辑于 2024-03-25 - 来自专栏DeepHub IMBA
使用 CausalPy 进行因果推理
这篇文章通过一个实际的例子简要介绍了因果推理，这个例子来自于《The Brave and True》一书，我们使用 CausalPy 来实现。 因果推理是从观察数据中估计因果效应的过程。 根据因果效应的定义，我们需要知道如果用户没有接触到该广告，会发生什么。在广告中，我们可以曝光一定比例的用户，而将其余用户作为对照组。 但是在下面的示例中，这是不可能的。 总结 因果推理是一种推理过程，通过观察事件或现象之间的关系，推断出一个事件或现象是另一个事件或现象的结果或原因。它是从一个或多个前提中得出结论的过程，其中前提描述了可能的原因和结果之间的联系。 因果推理是统计学中一个经常被忽视的领域。它允许我们超越单纯的联想和相关性，并回答“假设”类型的问题。回答这些类型的问题对于实际做出基于数据的决策至关重要。 CausalPy 可以使用不同类型的模型用于准实验的因果推理，他的地址如下： https://causalpy.readthedocs.io/en/latest/ 另外《The Brave and True
51520编辑于 2023-08-30 - 来自专栏CreateAMind
因果推理和概率推理难度一样？
其他参考： 最新Tractability易处理的因果推理 80PPT 概率编程with Fast Exact Symbolic Inference 快速准确符号推理 小数据大任务 实现框架开源 再发：迄今为止
52020编辑于 2022-11-22 - 来自专栏ATYUN订阅号
微软因果推理框架DoWhy入门
神经心理学将这种认知能力称为因果推理。计算机科学和经济学研究一种特殊形式的因果推理，称为因果推理，主要研究两个观察变量之间的关系。 回答这些问题是因果推理的重点。与监督学习不同，因果推理依赖于对未观测量的估计。这通常被称为因果推理的“基本问题”，这意味着一个模型从来没有通过一个剩余的测试集得到一个纯粹客观的评估。 介绍Dowhy 微软的DoWhy是一个基于python的因果推理和分析库，它试图简化在机器学习应用程序中采用因果推理的过程。 受到朱迪亚·珀尔的因果推理演算的启发，DoWhy在一个简单的编程模型下结合了几种因果推理方法，消除了传统方法的许多复杂性。与前人相比，DoWhy对因果推理模型的实现做出了三个关键贡献。 在一个框架下结合多种因果推理方法和四步简单编程模型，使得DoWhy对于处理因果推理问题的数据科学家来说非常简单。 End
4.7K30发布于 2019-06-21 - 来自专栏机器之心
还在为机器学习的因果推理头疼？试试微软的因果推理分析库吧
神经心理学将这种认知能力称为因果推理。计算机科学和经济学研究一种特殊形式的因果推理，侧重于发掘两个观测变量之间的关系。多年来，机器学习领域产生了许多因果推理方法，但是绝大多数难以在主流应用中使用。 本文介绍了微软推出的因果推理分析框架开源项目——DoWhy，它为许多流行的因果推理方法提供了统一接口。 ? 因果推理所关注的正是如何回答这些问题。不同于监督学习，因果推理取决于对未观测量的估计。这就是通常所说的因果推理的「基本问题」，也就是说模型从未对留出测试集进行纯粹客观的评估。 微软 DoWhy 简介 微软的 DoWhy 是一个基于 Python 的因果推理分析库，致力于简化机器学习应用中因果推理的使用。 DoWhy 在单一框架下结合了多种因果推理方法，它的四步简单程序模型使得数据科学家非常易于解决因果推理问题。 ?
1.4K31发布于 2019-07-12 - 来自专栏CreateAMind
最新Tractability易处理的因果推理
（本文的目的是讨论最近的一个结果,该结果表明,在存在(未知)因果机制的情况下,概率推理对于传统上被视为棘手的模型来说是易处理的。 该电路也是非参数的,因此它可以用于从数据中估计参数,并进一步推理(在线性时间内)由这些估计参数化的因果图。 这是由一种新技术实现的,这种技术可以通过计算利用因果机制,但不需要知道它们的身份(因果推理中的经典设置)。 我们的目标是为这些新的结果提供一个因果导向的暴露,并推测它们如何可能有助于更可扩展和多用途的因果推理。） 我们证明了基于 SPN 的因果推理是普遍易处理的,与标准的基于 MLP 的 NCM 相反。我们进一步引入了一个新的易处理的 NCM 类,它在推理中是有效的,并且根据 Pearl 的因果层次充分表达。
46930编辑于 2022-11-22 - 来自专栏数据派THU
独家 | Netflix因果推理应用调研
Netflix公司的许多科学家都对因果效应的分析方式做出了贡献。 近期，Netflix的科学家们聚在一起，举办了一次内部的因果推理和实验峰会，以此增进彼此间的相互交流与学习，并借机庆祝一下。 为期一周的会议邀请了来自内容、产品和会员团队的演讲者，共同学习交流因果推理的开发和应用。与会者进行了广泛的议题交流，内容涵盖差分估计、双机器学习、贝叶斯AB测试以及推荐系统中的因果推理。 为了估计本地化的增量值，Netflix公司使用了历史数据的因果推理方法。 新冠肺炎蔓延影响下，许多与配音相关的制作工作室都关闭了，于是，因果推理方法在本地化方面的应用便出现了。 因果推理提供了一种学习这种关系的方式，在与机器学习相结合时，成为了一种可大规模利用的强大工具。 与机器学习相比，因果推理允许建立一个健壮的框架来控制混杂因素，估计出会员的真实增量影响。
70810编辑于 2022-06-24 - 来自专栏DeepHub IMBA
解决推理能力瓶颈，用因果推理提升LLM智能决策
这种非确定性带来一个问题： 我们需要一个多步推理模型来理解底层智能体组件之间的因果关系。 这里涉及一个经典问题：相关性不等于因果关系。 接下来我们看看如何通过因果关系和内省来解决智能体工作流中的非确定性问题，前者用于LLM训练阶段，后者用于推理阶段。 因果推理的作用机制 因果关系研究的是事物"为什么"发生。 LLM看起来无法进行真正的逻辑推理，只是在模仿训练数据中观察到的推理步骤。 要让AI真正具备推理和问题解决能力，它必须在算法层面理解因果关系。 因果模型能够逐步发现按影响力排序的复杂因果关系，从而增强LLM的推理过程。 因果推理还能帮助限制幻觉问题。领域特定的小语言模型（SLM）被广泛认为是智能体AI的未来方向。 像howso这样的公司正在通过集成因果AI、数据水印和归因推理来创建新的推理模型，目标是降低风险并提升准确性。
45410编辑于 2025-11-15 - 来自专栏CreateAMind
论鲁棒贝叶斯因果推理
On robust Bayesian causal inference 论鲁棒贝叶斯因果推理 https://arxiv.org/pdf/2511.13895v1 摘要 本文构建了一个用于从纵向观察数据中进行稳健因果推断的贝叶斯框架 模拟研究与真实数据应用表明，该方法在因果效应估计中展现出更优的校准性、锐度与稳健性。 关键词：因果推理，模型误设，贝叶斯，稳健 1 引言 问题设定 本文关注对模型误设具有稳健性的因果推断。 此类误设可能导致有偏或误导性的因果估计结果。 方法论途径 本文将关注的可估量设定为因果效应，并旨在理解模型误设对估计该因果效应准确性的影响程度。 2.2 一种稳健的贝叶斯因果推断方法 从观察数据进行因果推断涉及在存在混杂因素及其他复杂性的情况下，估计因果可估量，例如平均处理效应或特定单元的干预效应。 推导适当校正的因果效应。
18910编辑于 2026-03-11 - 来自专栏活动
知识图谱嵌入与因果推理的结合
另一方面，因果推理（Causal Inference）作为一种分析因果关系的方法，能够揭示变量之间的因果关系，而不仅仅是相关性。 结合知识图谱嵌入与因果推理，不仅可以提高推理的准确性，还能为复杂系统的决策提供更深刻的理解。 因果推理基础1 因果推理的定义因果推理的核心在于识别变量之间的因果关系，而不仅仅是相关性。这一概念源于统计学和哲学领域，旨在理解“如果发生了某种情况，会对结果产生怎样的影响”。 3 因果推理的应用因果推理在多个领域都有广泛应用，包括医学、社会科学、经济学等。 经济学 分析财政刺激政策对经济增长的因果关系。知识图谱嵌入与因果推理的结合结合的必要性知识图谱为因果推理提供了丰富的结构化信息，而因果推理可以帮助知识图谱嵌入模型理解变量之间的关系。
1.8K21编辑于 2024-09-22 - 来自专栏数据派THU
因果推理相关的图神经网络研究
本文介绍两篇因果推理相关的图神经网络研究工作。 一、OOD推荐系统下的因果表征学习 本文介绍了什么是推荐系统中的Out-of-Distribution(OOD)问题，并从因果的角度提出了一种解决OOD问题的表示学习方式。 二、学习图上因果不变表征分布外泛化 本文利用了因果不变性的方法来解决图上的OOD问题 文章链接：https://openreview.net/pdf? 三、总结 这两个工作都是将因果推理运用到图神经网络当中，同时解决的都是OOD问题，第一篇利用了最大化ELBO来对提高极大似然的下界，第二篇是从互信息的角度来分析并解决图上的OOD问题。 从这两篇工作可以看出，将因果推理运用到图神经网络中往往是利用它去约束学习GNN的过程，使得学到的GNN能够更好的解决相应的问题。
79210编辑于 2023-03-29 因果推理在推荐系统中的创新应用
新研讨会推动因果推理在推荐系统中的应用ACM推荐系统大会（RecSys）是推荐系统领域的顶级会议，每年吸引来自学术界和工业界的上千名参与者。今年会议在西雅图举行，由两位某中心科学家担任联合主席。 研讨会亮点因果推理与反事实分析推荐系统中的序列决策大规模强化学习应用技术理念演进传统推荐系统将问题视为预测任务：“用户喜欢该产品的概率是多少？” 决策会产生后果，包括：影响用户行为影响商家曝光度影响算法训练数据关键技术方法为理解机器学习决策的（可能意外）后果，需要借鉴因果推断思想。 考虑因果因素可以推动有效、高效和公平的学习与评估。 特邀专家Guido Imbens斯坦福商学院应用计量经济学教授某中心研究顾问2021年诺贝尔经济学奖得主专长于因果推断的计量经济学方法Lihong Li某中心高级首席科学家罗格斯大学计算机科学博士曾在多家科技机构担任研究职位主要研究强化学习
16410编辑于 2025-10-05- 来自专栏机器之心
因果推理效果比肩ChatGPT，封神榜推出燃灯模型
以自然语言作为思考推理和输出的媒介，模型凭借其强大的语言能力在中文因果语料上学习，逐步具备常识知识以及更高层次的推理能力，如演绎推理、反绎推理、反事实推理、隐含知识挖掘等。 基础推理能力：多步推理 基于 Randeng-Deduction 模型，可以进行多步因果推理。 图 9 ChatGPT 针对提问进行多步因果推理的结果 高级推理能力：无限推理 借助于 Randeng-Deduction 模型强大的因果推理生成能力，构建自动推理系统，让机器无休止地自主思考和推理。 在闭环运转的过程中，三个模型逐渐从不同的角度（演绎生成、反绎生成、因果关系判断）对因果推理达成一致，得到持续的提升。 图 11 训练过程总览 未来的场景应用 基于强大的因果推理能力，燃灯模型未来落地可以更多聚焦于大量的“推理场景”，比如辅助研究分析报告撰写、赋能剧本杀的剧本快速设计、帮助作家创作出更多“细思极恐” 的推理情节等等
53320编辑于 2023-03-29 - 来自专栏媒矿工厂
SIGCOMM 2023 | Veritas: 通过视频流媒体记录进行因果推理
本文提出了 Veritas 框架，该框架利用现有的记录数据，因果推理和反事实查询，来推断不同设计选择（不同的 ABR 算法、ABR 算法中新的视频质量选项等）对视频流媒体性能的影响，因此，Veritas 挑战 在视频流媒体的因果推理中，具有诸多限制因素与技术挑战如： 传统机器学习具有局限性。如神经网络和决策树仅仅判断了已收集数据的相关性，限制了它们只能进行关联性预测，不满足因果推理的要求。 面对上述挑战，本文提出了 Veritas 框架，Veritas 是一种用于视频流媒体中因果推理的新型框架。 （2）对提出的变化建模：通过之前推断的潜在变量，对提出的改变建模，从而回答提出的what-if 问题（因果推理）。 （不考虑未观察到的混杂因素） CausalSim：利用传统机器学习进行因果推理的方法，需要使用随机对照试验（RCT）获得的训练数据，会随机将会话分配给 K 个 ABR 算法。
98560编辑于 2023-11-13 - 来自专栏图与推荐
2023最新综述 | 推荐中的因果推理: 基础、方法与应用
本文回顾了推荐系统中因果推理的现有文献。讨论了推荐系统和因果推理的基本概念及其相互关系，综述了针对推荐系统中不同问题的因果方法的现有工作。最后，讨论了推荐因果推理领域存在的问题和未来的发展方向。 例如，[11,12,13,14]采用简单的用户和项目表示(例如，one-hot向量)，并学习复杂的匹配函数。 因此，从关联学习向因果学习发展具有重要意义。 正式地，因果推理研究因果关系和结果之间的因果关系，其中原因负责结果。 首先介绍了推荐系统的基本知识，然后讨论了推荐因果推理的现有工作。具体而言，在两个维度上探索了推荐系统中的因果推理。 第一维遵循因果推理的流程，包括因果推理中的概念、符号和技术，以及因果推理和推荐系统之间的联系。第二个维度是推荐中的实际问题，包括问题介绍、因果方法和开放问题。
1.4K20编辑于 2023-03-01 - 来自专栏大模型应用
大模型应用：因果推理赋能大模型：从关联分析到因果决策的升级路径.80
而因果推理，作为探索事物间“因”与“果”本质联系的方法论，恰好能弥补这一短板。 大模型 + 因果推理：用大模型的语言理解、知识建模能力，解决传统因果推理“依赖专家知识、难处理非结构化数据”的问题；同时用因果推理弥补大模型“只看相关性、易产生幻觉或偏见”的缺陷，实现从“知其然”到“知其所以然 传统因果推理的痛点依赖专家手动构建因果图，成本高；无法处理文本、语音等非结构化数据；对隐藏的混杂因素敏感，易误把相关当因果。2. 接触后才发现，因果推理不是简单的补充，而是让大模型从凭数据统计说话到靠逻辑因果判断的核心支撑。 大模型和因果推理的双向赋能也很有启发，前者解决了传统因果推理处理非结构化数据、构建假设难的问题，后者则补上了大模型可解释性、泛化性的短板，二者结合才是更贴合实际应用的智能。
28443编辑于 2026-04-18 因果推理：揭示变量间隐秘关系的五大框架
什么是因果推断？ 因果推断的基本概念包括识别因果关系、区分因果关系与相关关系，以及建立可靠的推断方法。 本文旨在介绍主要的因果推断理论框架，包括因果图模型、反事实框架、潜变量模型、结构因果模型和干预分析框架。 1.因果图模型（Causal Diagrams）1.1 基本概念因果图模型使用有向无环图（DAGs）来表示变量之间的因果关系。DAGs中，节点代表变量，箭头表示因果影响。 4.2 基本概念定义结构因果模型（SCMs）结合因果图和反事实框架，通过明确的结构方程来描述变量之间的因果关系。SCMs提供了一种系统化的方法来建模和推断因果效应，能够处理复杂的因果结构和多变量互动。 SCMs结合DAGs和反事实推理，提供了一种强大的因果推断工具。
1.6K10编辑于 2024-08-02前沿AI与系统技术解析：从边缘计算到因果推理
前沿AI与系统技术解析：从边缘计算到因果推理以下是按时间顺序列出的年度十大技术博客文章，它们展示了科学研究范围的广度citation:1。 新方法识别统计异常值的根本原因研究人员引入了一种“根本原因”的定义，该定义使用图形因果模型来形式化根本原因对观测到的异常值的定量因果贡献。 为了将异常值归因于某个变量，他们提出了一个反事实问题：“如果该变量的因果机制是正常的，该事件是否就不会成为异常值？” 自动化推理：一场对话从迭代SAT求解器到可验证代码，研究人员讨论了自动化推理的前景citation:1。
15510编辑于 2025-12-22- 来自专栏机器之心
深度 | 使用高斯过程的因果推理：GP CaKe 的基本思路
选自mindcodec 机器之心编译 参与：Panda 荷兰拉德堡德大学的研究者的一篇 NIPS 2017 论文基于对大脑中因果交互的研究，提出了一种用于因果推理的通用方法 GP CaKe。 papers.nips.cc/paper/6696-gp-cake-effective-brain-connectivity-with-causal-kernels.pdf 我们最近开发出了一种用于时间序列数据中因果推理的全新方法 如果 a_ij(τ)>0，我们就可以说 x_i 对 x_j 有因果影响（这一思想的实际实现将需要某些显著性测试）。这意味着因果关系的时间概念：一个变量的过去能为我们提供有关另一个变量的未来的信息。 这种看待因果关系的角度也被称为 Wiener-Granger 因果关系，有时也被简称为 Granger 因果关系 [Bressler & Seth, 2011]。 其中，C_i(t) 到 C_j(t) 是因果脉冲响应函数（CIRF），描述了从 i 到 j 的因果交互。
82610发布于 2018-12-10 - 来自专栏新智元
《自然语言处理中的因果推理》综述论文，以色列理工、谷歌等13位NLP大牛阐述因果推理NLP的估计、预测、解释和超越
最近来自以色列理工学院、斯坦福、Google等发布了关于《自然语言处理中因果推理》的论文，讲述自然语言处理因果推理的估计、预测、可解释等。 摘要 科学研究的一个基本目标是了解因果关系。 我们介绍了估计因果效应的统计挑战，包括文本作为结果、治疗或解决混淆的手段的设置。此外，我们还探讨了因果推理的潜在用途，以改善NLP模型的性能、鲁棒性、公平性和可解释性。 因此，我们为计算语言学界提供了一个统一的因果推理概述。 文本数据的因果推理涉及几个不同于典型因果推理设置的挑战:文本是高维的，需要复杂的建模来衡量语义上有意义的因素，如主题，并需要仔细思考，以形式化因果问题对应的干预。 与文本因果推理的研究领域相比，因果关系和NLP研究的这一领域较少被理解，尽管最近的经验成功很好地推动了这一领域的研究。
93640发布于 2021-09-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号