Cet article étudie la construction de graphes causaux implicites à partir de texte en inférant des événements causaux intermédiaires à l'aide de grands modèles linguistiques (LLM). Il compare la construction de graphes de bout en bout avec les méthodes de découverte de chaînes causales et évalue la validité des relations inférées par rapport à une base de données.
Cet article décrit l'épiphanie d'un développeur alors qu'il déboguait un agent d'apprentissage par renforcement « boîte noire » qui ne parvenait pas à synchroniser des microréseaux agricoles intelligents. La prise de conscience que l'agent manquait de compréhension causale l'a conduit à explorer l'IA explicable et les frameworks d'inférence causale pour éviter les pannes de courant en cascade.
Cet article démontre la stabilité des résultats d'évaluation d'impact contrefactuel dans le contexte de l'appariement des réfugiés aux États-Unis, en utilisant une gamme de méthodes d'évaluation hors politique. Les estimations d'impact restent cohérentes en ampleur et statistiquement significatives, confirmant les résultats originaux.
Cet article postule que la variabilité intra-personnelle des résultats humains provient d'un état latent dynamique chez l'individu. Il soutient que les résultats humains sont contrôlables par des interventions ciblant cet état et sa pondération au moment de la formation d'une décision.
Ce travail explore des méthodes permettant aux modèles neuronaux d'apprendre des relations de cause à effet, même lorsque les interventions générant les données sont inconnues. La recherche vise à améliorer la capacité de l'intelligence artificielle à inférer la causalité à partir de données complexes.
Cette recherche aborde les défis de l'inférence causale en temps continu dus aux facteurs de confusion cachés, démontrant que l'observabilité de la dynamique latente est cruciale pour identifier les effets de traitement dynamiques. Elle propose les Observable Neural ODEs (ObsNODEs), un modèle novateur pour la prévision causale qui apprend des dynamiques continues reconstructibles.
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.