摘要 從低層次資料中發現高層因果關係是自然科學和社會科學中經常出現的重要且具挑戰性的問題

本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。

原文連結

• SFI 頁面

論文資訊

• 類型：已發表論文
• 日期：2022-09-02

摘要

從低層次資料中發現高層因果關係是自然科學和社會科學中經常出現的重要且具挑戰性的問題。在一系列論文中，Chalupka 等人。 (2015, 2016a, 2016b, 2017) 開發因果特徵學習 (CFL) 程序，以實現此任務的自動化。我們認為，在實用性考慮因素支持粗化的情況下，CFL 不建議粗化，而在實用性考慮不利於粗化的情況下，則建議粗化。我們提出了一種新技術，即實用因果特徵學習（PCFL），它以有用且直觀的方式擴展了原始 CFL 演算法。我們證明 PCFL 具有與原始 CFL 演算法相同的有吸引力的測度理論特性。我們透過理論分析和實驗比較了兩種方法的性能。