Diese Arbeit untersucht die Konstruktion impliziter Kausalitätsgraphen aus Text, indem sie Zwischenereignisse mittels großer Sprachmodelle (LLMs) ableitet. Sie vergleicht End-to-End-Graphenkonstruktion mit Kausalkettenentdeckungsverfahren und bewertet die Gültigkeit der abgeleiteten Kausalbeziehungen anhand einer kuratierten Datenbank.
Dieser Artikel schildert die Erkenntnis eines Entwicklers, der einen Black-Box-Reinforcement-Learning-Agenten bei der Orchestrierung intelligenter landwirtschaftlicher Mikronetze debuggte. Die Einsicht, dass dem Agenten ein kausales Verständnis fehlte, führte zur Erforschung von Erklärbarer KI und kausalen Inferenz-Frameworks, um kaskadierende Stromausfälle zu verhindern.
Dieses Papier demonstriert die Stabilität der kontrafaktischen Wirkungsbewertungsergebnisse im Kontext der Flüchtlingszuweisung in den Vereinigten Staaten unter Verwendung verschiedener Off-Policy-Evaluierungsmethoden. Die Wirksamkeitsschätzungen bleiben konsistent und statistisch signifikant, was frühere Ergebnisse bestätigt.
Dieser Artikel argumentiert, dass die individuelle Variabilität menschlicher Ergebnisse auf einen dynamischen latenten Zustand der Person zurückzuführen ist. Es wird behauptet, dass menschliche Ergebnisse durch Interventionen kontrollierbar sind, die auf diesen Zustand und seine Gewichtung zum Zeitpunkt der Entscheidungsfindung abzielen.
Diese Arbeit erforscht Methoden für neuronale Modelle, um Ursache-Wirkungs-Beziehungen zu lernen, selbst wenn datengenerierende Interventionen unbekannt sind. Ziel der Forschung ist es, die Fähigkeit künstlicher Intelligenz zur Ableitung von Kausalität aus komplexen Daten zu verbessern.
Diese Forschung befasst sich mit Herausforderungen bei der kausalen Inferenz in kontinuierlicher Zeit aufgrund versteckter Störgrößen und zeigt, dass die Beobachtbarkeit latenter Dynamiken entscheidend für die Identifizierung dynamischer Behandlungseffekte ist. Sie schlägt Observable Neural ODEs (ObsNODEs) vor, ein neuartiges Modell für kausale Prognosen, das rekonstruierbare kontinuierliche Zeitdynamiken lernt.
O artigo apresenta PRISM, uma estrutura para Reinforcement Learning que fundamenta as decisões de agentes em conceitos discretos e causalmente validados, usando-os como interface de transferência zero-shot. Ele demonstra que esses conceitos impulsionam diretamente o comportamento do agente e que a importância de um conceito pode ser dissociada de sua frequência de uso.