Este artículo investiga la construcción de grafos causales implícitos a partir de texto, infiriendo eventos causales intermedios utilizando Grandes Modelos de Lenguaje (LLMs). Compara la construcción de grafos de extremo a extremo con métodos de descubrimiento de cadenas causales y evalúa la validez de las relaciones causales inferidas frente a una base de datos curada.
Este artículo narra la epifanía de un desarrollador al depurar un agente de Aprendizaje por Refuerzo de caja negra que fallaba al sincronizar microrredes agrícolas inteligentes. La comprensión de que el agente carecía de entendimiento causal llevó a explorar la IA Explicable y marcos de inferencia causal para prevenir fallas de energía en cascada.
Este artículo demuestra la estabilidad de los resultados de la evaluación de impacto contrafactual en el contexto de la asignación de refugiados en Estados Unidos, utilizando una variedad de métodos de evaluación fuera de política. Las estimaciones de impacto se mantienen consistentes en magnitud y estadísticamente significativas, confirmando los hallazgos originales.
Este artículo propone que la variabilidad intrapersonal en los resultados humanos se debe a un estado latente dinámico de la persona. Sostiene que los resultados humanos son controlables mediante intervenciones que se dirigen a este estado y su ponderación en el momento de la toma de decisiones.
Este trabajo explora métodos para que los modelos neuronales aprendan relaciones de causa y efecto, incluso en escenarios donde las intervenciones que generan datos son desconocidas. La investigación busca mejorar la capacidad de la inteligencia artificial para inferir causalidad a partir de datos complejos.
Esta investigación aborda los desafíos en la inferencia causal en tiempo continuo debido a factores de confusión ocultos, demostrando que la observabilidad de la dinámica latente es crucial para identificar efectos de tratamiento dinámicos. Propone los Observable Neural ODEs (ObsNODEs), un modelo novedoso para la previsión causal que aprende dinámicas de tiempo continuo reconstruibles.
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.