Este artigo estuda a construção de grafos causais implícitos a partir de texto, inferindo eventos causais intermediários usando Grandes Modelos de Linguagem (LLMs). Ele compara abordagens de construção de grafos de ponta a ponta com métodos de descoberta de cadeias causais e avalia a validade das relações inferidas contra um banco de dados curado.
Este artigo descreve a epifania de um desenvolvedor ao depurar um agente de Reinforcement Learning de caixa-preta que falhava na orquestração de microrredes agrícolas inteligentes. A percepção de que o agente carecia de compreensão causal levou à exploração de IA Explicável e frameworks de inferência causal para evitar falhas de energia em cascata.
Este artigo demonstra a estabilidade dos resultados de avaliação de impacto contrafactual no contexto de correspondência de refugiados nos EUA, utilizando uma série de métodos de avaliação off-policy. As estimativas de impacto permanecem consistentes em magnitude e estatisticamente significativas, confirmando os resultados originais.
Este artigo propõe que a variabilidade individual nos resultados humanos pode ser atribuída a um estado latente dinâmico da pessoa. Argumenta-se que os resultados humanos são controláveis através de intervenções que visam este estado e a sua ponderação no momento da tomada de decisão.
Este trabalho explora métodos para que modelos neurais aprendam relações de causa e efeito, mesmo em cenários onde as intervenções que geram dados são desconhecidas. A pesquisa visa aprimorar a capacidade da inteligência artificial de inferir causalidade a partir de dados complexos.
Esta pesquisa aborda desafios na inferência causal em tempo contínuo devido a confundidores ocultos, demonstrando que a observabilidade das dinâmicas latentes é crucial para identificar efeitos de tratamento dinâmicos. Propõe os Observable Neural ODEs (ObsNODEs), um modelo inovador para previsão causal que aprende dinâmicas contínuas reconstruíveis.
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.