基于条件独立性检验的非稳态因果发现方法

非稳态时间序列数据之间的因果关系发现是非常重要但极具挑战的问题。现有的工作主要假设观察数据随着时间或领域发生变化。上述假设使得相关方法需要引入时间或领域作为先验知识,无法应用于分段稳态的非稳态场景。因此,提出了一种基于条件独立性检验的非稳态因果关系发现算法。首先使用变化点检测方法来识别非稳态变化的时间点,然后将上一步的时间点进行区间划分,用基于条件独立性检验的时序因果关系发现算法推断局部稳态因果结构。在仿真和真实世界数据上的实验证明了该方法的有效性。

基于因果图分析的可解释司法判决预测方法研究

随着人工智能技术的发展和海量司法数据的公开,面向“智慧司法”服务的司法判决预测(legal judgment prediction,LJP)任务受到了学术界和工业界的广泛关注,该任务旨在根据有限的案件事实描述文本来预测案件的罪名、法条和刑期。然而,现有工作缺乏对易混淆司法案件的智能决策的研究,且相关模型通常缺乏可解释性,这会导致模型预测严重依赖领域专家,阻碍LJP在不同法律体系中的应用。为此,提出了一种基于因果图分析的司法判决预测(prediction of legal judgment based on causal graph analysis,CGLJ)方法,首先从非结构化的法律事实描述文本中挖掘要素之间的因果关系,然后采用易混淆罪名聚类的构图方法构建因果图,既考虑了相似事实描述之间的差异,又增强了事实描述和法律法规之间的相互作用,最后将构建好的因果图融入深度神经网络进行联合推理,得到判决预测结果。此外,还对模型预测过程中的因果图推理过程进行了可视化,为判决结果提供了更好的可解释性。在2018中国“法研杯”司法人工智能挑战赛(CAIL2018)司法判决预测数据集上的实验结果表明,该方法相比基线模型取得了更好的效果。

论环境民事公益诉讼中因果关系要件的证明

当前,环境民事公益诉讼中因果关系要件的证明责任如何分配及其证明标准如何设定,对此理论界和实务界仍有很大争议。在证明责任分配问题上,解决路径在于参照适用《民法典》第一千二百三十条的规定,由被告承担环境民事公益诉讼中因果关系要件的客观证明责任。与此同时,原告需提供能够证明关联性事实的初步证据。这一规则应当理解为因果关系的法律推定。将因果关系法律推定规则引入环境民事公益诉讼中具有合理性基础,如纠正人们对环境侵权因果关系要件“证明责任倒置”的错误认识、防止原告滥用诉权、平衡原被告双方的举证负担。在证明标准问题上,环境民事公益诉讼中因果关系要件的证明标准应因事后救济性环境民事公益诉讼和预防性环境民事公益诉讼的类型划分而有所区别,且受关联性事实认定标准的影响。

空间性、非定域因果性与科学的根基:康德的空间性思想的启示

解决几何化问题是为近现代科学奠基的关键,而空间性问题处在几何化问题的中心。康德物自身的非空间性学说把空间性视为人的经验之内的性质,而非物自身的性质,由此,他需为科学重新奠基。康德通过具有力的实体间的非定域交互作用解释空间性的形成,但他同时通过定域因果性解释自然物体的形成、光通过以太传递外部信息,由此表明物自身是非空间性的。康德证明了基于定域因果性的机械论和微粒论不是解释空间性的正确理论,且为通过拓扑学建立空间性的数学上的可表达性提供了可能。最终,基于非定域因果原理解释光对信息的连续传递,才能解决康德留下的数学应用于自然的难题,并重建科学的根基。

基于非稳态加性噪声模型的因果发现算法

因果发现旨在通过观测数据挖掘变量间的因果关系。现有的因果发现方法大多假定数据的产生过程是平稳的,然而在实际环境下往往不满足稳态假设,导致结果不可靠。研究发现,在一些场景中的非稳态扰动与时序信息高度相关。因此,在加性噪声模型基础上将非稳态扰动刻画为一项关于时序信息的函数,设计非稳态加性噪声模型,并给出非稳态加性噪声模型的识别条件,提出一种两阶段的因果关系学习算法。第1阶段利用回归计算得到变量残差,再检验残差与回归特征集的独立性从而选出叶子节点,迭代得到观测变量集的因果次序;第2阶段再次进行回归计算和独立性检验,消除第1阶段中冗余的因果关系,从而得到观测变量集的因果结构。实验结果表明,与基于约束的异构/非平稳因果发现、LPCMCI和Ti MINo算法相比,该算法在仿真数据集上取得了最优的效果,平均F1值达到0.85;而在真实因果结构数据集中,该算法的F1值平均提升41.12%,能够从非稳态数据集中恢复出更多因果结构的信息。

因果关系表示增强的跨领域命名实体识别

跨领域命名实体识别在现实应用中,尤其在目标领域数据稀缺的小样本场景中具有重要价值。然而,现有方法主要是通过特征表示或模型参数共享实现的跨领域实体能力迁移,未充分考虑由于样本选择偏差而引起的虚假相关性问题。为了解决跨领域中的虚假相关性问题,提出一种因果关系表示增强的跨领域命名实体识别模型,将源域的语义特征表示与目标域的语义特征表示进行融合,生成一种增强的上下文语义特征表示。通过结构因果模型捕捉增强后的特征变量与标签之间的因果关系。在目标域中应用因果干预和反事实推断策略,提取存在的直接因果效应,从而进一步缓解特征与标签之间的虚假相关性问题。该方法在公共数据集上进行了实验,实验结果得到了显著提高。

时序数据的因果关系交互式可视分析

针对时序数据中因果关系检测算法效率低、错误率高、可解释性低的问题,本文提出一种新颖的用于时序数据的因果关系检测模型。该模型整合了泛函贪婪等价搜索(F-GES)模型与格兰杰(Granger)因果关系模型,展开因果关系的抽取和推断,并提出了因果关系可视分析方法,以交互式地分析时序数据中变量间的因果关系。可视分析方法形成了参数视图用于提高因果关系探索效率、因果关系树图用于直观有效地展示变量之间的因果关系、时间视图用于比较原始时序数据、堆叠流图用于帮助用户探索时序数据的层次演变以及平行坐标图用于进行相关性分析。基于真实数据形成的原型系统交互式地验证和总结时序数据中的因果关系,从而更高效地挖掘和理解时序数据中变量之间蕴含的因果规律以帮助决策。

基于类型矩阵转移的汉越事件因果关系识别

针对汉越跨语言新闻事件因果关系识别中,汉越跨语言的文本语义空间难以统一、新闻之间的因果关联特征捕获困难的问题,提出了基于类型矩阵转移的汉越跨语言新闻事件因果关系识别方法。通过跨语言预训练统一汉越跨语言的文本语义空间,使用树形长短期记忆循环神经网络提取汉越文本中的句法结构化特征,融入汉越句法特征并结合基于事件类型转移的注意力机制,对汉越事件句对的因果关系进行识别。实验结果表明,该方法在汉越跨语言新闻事件因果关系的识别上较基线模型准确率有所提升。

基于Partial New Causality的因果脑网络情绪识别

为了研究情绪产生过程中脑区以及通道之间的因果作用,在部分格兰杰与新型因果关系的基础上,提出一种用于研究时间序列之间因果关系的部分新型因果关系(PNC)方法。在不同情绪下选取脑区内的8个通道,用PNC计算脑区内通道之间的因果连接关系,根据连接关系构建因果网络;对因果网络中节点的信息流向和介数属性进行分析,将PNC因果网络和Granger因果网络节点之间的因果连接视为一种特征送入SVM中训练分类。实验结果表明,基于PNC因果网络和Granger因果网络的平均识别精度分别为76.4%和68.5%,PNC可用于计算时间序列之间的因果关系。

基于多模板提示调优和知识增强的事件因果关系识别方法

事件因果关系识别(Event Causality Identification,ECI)是自然语言处理领域的一项重要研究任务,旨在识别文本中事件之间的因果关系。现有方法大都基于微调范式,不能较好发挥预训练语言模型的作用,难以有效捕获隐式因果关系识别的线索。为此,该文提出了一种基于多模板提示调优和知识增强的事件因果关系识别方法。针对ECI任务设计独特的总提示模板,对显式和隐式事件因果关系分别设计不同的种子提示模板,集成训练所有提示模板,形成适应于ECI任务的提示调优方式。通过引入ConceptNet、Oxford Dictionaries等外部知识库,丰富事件的解释性知识和事件之间的关系性知识,将不同的知识融入提示模板,强化隐式因果关系线索。在EventStoryLine和Causal-TimeBank两个广泛使用的数据集上的实验结果表明,该文方法性能优于现有方法。

融合异质层次因果图的尾矿堆积坝安全状态分析

为探究尾矿堆积坝内外部因素对堆积坝体安全状态的影响,提出基于异质层次图的尾矿堆积坝安全状态分析方法。该方法通过构建异质层次因果图,将环境、渗流场和应力场等关键因素与堆积坝安全状态建立联系,并结合异质节点属性特征,形成环-渗-应安全状态分析指标体系;通过提出定量指标动态等级区间计算方法和安全状态等级计算模型,将坝体安全状态定性问题的模糊性转化为定量化表达,实现对尾矿堆积坝安全等级评价;以洛阳某尾矿坝为例验证模型的科学性。结果表明:该模型能合理定量分析因素与状态之间联系,并找出堆积坝负向演化的敏感性因素,给后续筑坝过程的安全管理提供决策依据。

基于两样本孟德尔随机化方法分析低密度脂蛋白胆固醇与哮喘的因果关系

目的以单核苷酸多态性(single nucleotide polymorphism,SNP)为工具变量,基于孟德尔随机化(Mendelian randomization,MR)法探究低密度脂蛋白胆固醇(LDL-C)与哮喘的因果关系。方法根据全基因组关联研究(GWAS)的基因数据,借助MR-base平台,获得2020年3月10日至2023年3月10日样本量最大的LDL-C及哮喘的GWAS数据,筛选出与LDL-C相关的SNP(筛选条件设定为P<5×10-8),通过逆方差加权分析法(IVW)、加权中位数法(WME)、加权模型、简单模型和MR-Egger法分析LDL-C与哮喘风险的关系,同时绘制SNP相关的LDL-C与哮喘风险的森林图及散点图。结果筛选出的301个SNP均与哮喘不存在基因多效性(MR-Egger回归截距0.007)。所有的回归结果均显示,LDL-C为哮喘的危险因素,MR-Egger回归OR=1.609(95%CI 1.228~2.107)、WME OR=1.448(95%CI 1.266~1.656)、IVW OR=1.499(95%CI 1.348~1.667)、加权模型OR=1.462(95%CI 1.212~1.763)、简单模型OR=1.374(95%CI 1.024~1.846)。MR-Egger回归结果显示统计量Q=1095.819(P<0.001),提示SNP间存在异质性,故选择随机效应IVW模型。结论LDL-C与哮喘之间存在因果关系,LDL-C水平越高,哮喘发病风险越大。

6种代谢产物与特应性皮炎的因果关联:双向双样本孟德尔随机化研究

目的采用双向双样本孟德尔随机化(MR)分析来研究代谢产物与特应性皮炎(AD)之间的因果关系。方法从全基因组关联研究(GWAS)的汇总数据中提取与代谢产物相关的单核苷酸多态性(SNP)位点作为工具变量(IV)。使用R软件中的TwoSampleMR包对6种代谢物与AD之间的因果关联进行分析。所采用的主要方法包括逆方差加权法(IVW)、MR Egger和加权中位数法。使用Cochran’Q统计量进行异质性检验,MR Egger截距检验水平多效性,使用“留一法”进行敏感性分析。结果IVW分析结果显示,抗坏血酸(OR=0.861,95%CI:0.751~0.987)、花生四烯酸(OR=0.363,95%CI:0.193~0.683)、可的松(OR=0.447,95%CI:0.221~0.906)与AD的发生呈负相关;尿苷(OR=3.473,95%CI:1.043~11.562)、5-羟色胺(OR=1.896,95%CI:1.007~3.571)及2-羟基戊二酸(OR=2.158,95%CI:1.186~3.924)与AD的发生呈正相关,差异均具有统计学意义。结论遗传学预测的代谢产物与AD风险增加具有因果关联,但尚无显著证据支持AD与上述6种代谢产物之间的因果关系。

用孟德尔随机化方法研究免疫细胞表型与HSP27的因果关系

目的:探讨免疫细胞表型对HSP27的因果作用。方法:采用两样本孟德尔随机化(MR)综合分析来确定免疫细胞表型与HSP27表达水平之间的因果关系。基于公开的遗传数据,我们探索了731个免疫细胞表型与HSP27表达的因果关系,总共包括四种类型的免疫特征(中位数荧光强度(MFI)、相对细胞(RC)、绝对细胞(AC)和形态参数(MP))。综合敏感性分析用于验证结果的稳健性、异质性和水平多效性。结果:我们进行了双向FDR校正,HSP27的表达在统计学上对细胞免疫表型没有显著影响(P>0.05)。然而,在研究细胞免疫表型对HSP27的因果影响时,我们发现在三种细胞免疫性状类别(MFI、RC、AC)中,21种免疫表型与HSP27表达存在因果联系(P<0.05)。其中,12种免疫表型可促进HSP27的表达(IVW:P<0.05,OR<1),包括:IgD-CD24-AC;IgD-CD24-%lymphocyte;Myeloid DC AC;CD62L-myeloid DC AC;Activated Treg%CD4 Treg;CD38 on IgD+CD38dim;CCR2 on granulocyte;CD80 on CD62L+myeloid DC;CD80 on monocyte;CD8 on TD CD8br;CD4 on activated&secreting Treg;CD11c on granulocyte。另外9种免疫表型可抑制HSP27的表达(IVW:P<0.05,OR>1),即:CD62L-plas-macytoid DC AC;Naive CD4+AC;CD14+CD16+monocyte AC;CD3 on T cell;CD3 on CD8br;HVEM on CM CD4+;HVEM on naive CD4+;CX3CR1 on CD14-CD16-;CD45 on Mo MDSC。结论:本研究揭示了免疫细胞表型与HSP27之间存在显著的遗传相关性,这对了解HSP27的病理机制具有重要意义。它不仅为未来临床疾病的诊断和治疗提供了新思路,而且有助于开发更准确的生物标志物和治疗方法。此外,我们的研究结果扩展了免疫学的研究成果,并为进一步研究免疫细胞与热休克蛋白在免疫应答和疾病中的相互作用提供了新的证据。

基于因果正则化极限学习机的风电功率短期预测方法

随着风电并网比例的逐年提高,电力系统对风电功率预测的准确性和稳定性提出了更高要求。对于同一风电场而言,为了避免不同特征选择方法所选择的风电场特征子集不同,从因果关系的角度出发,提出了一种基于因果正则化极限学习机(causal regularized extreme learning machine, CRELM)的风电功率短期预测方法。首先将极限学习机(extreme learning machine, ELM)建模为结构因果模型(structural causal model, SCM),在此基础上计算隐藏层神经元与输出层神经元之间的平均因果效应向量。然后将该平均因果效应向量与输出层权重相结合构成因果正则化项,在最小化训练误差的同时最大化网络的因果关系,以进一步提升模型的预测准确性和预测稳定性。最后,以国内蒙西某风电场数据为例,与采用特征选择或不采用特征选择的预测模型相对比,验证了所提方法的有效性和适用性。

动态不确定因果图在中医诊断中的应用探讨

动态不确定因果图(DUCG)已成为中医药领域新兴的、先进的知识表示与推理模型。为更好地应用DUCG为中医临床提供诊断推理与决策支持,在归纳总结DUCG中医药领域研究与应用情况的基础上,分析现阶段DUCG在中医诊断中存在的主要问题,包括中医术语规范统一和中医药知识库质量问题、推理算法和模型建造的方法选择与设计问题、DUCG中医诊断模型的平台化和产品化问题等,并据此展开应用思路与方法探讨,提出应深挖DUCG的技术内涵,根据临床实际需求选择精准、高效的推理建模方法,建立符合中医药理论思想、具有中医特色的智能辅助诊断模型,加强DUCG协同研究平台及产品的开发应用。

基于孟德尔随机化研究房颤/房扑与失眠的因果关系

目的通过双样本孟德尔随机化(Mendelian randomization,MR)研究方法探究心房颤动(简称“房颤”)/心房扑动(简称“房扑”)与失眠潜在的双向因果关系。方法从IEU OpenGWAS project数据库中获取房颤/房扑和失眠的全基因组关联研究汇总数据,提取显著且独立的单核苷酸多态性(single nucleotide polymorphism,SNPs)用于MR分析。采用逆方差加权法(inverse-variance weighted,IVW)、加权中位数、MREgger回归、简单众数法和加权众数法五种方法进行因果关系评估。Cochran's Q检验评估IVW的异质性,MR-Egger检测水平多效性,MR-PRESSO方法检测离群值以检验基因多效性,留一法(leave-one-out)进行敏感性分析。结果以房颤/房扑为暴露,失眠为结局,共筛选获得47个SNPs作为工具变量,IVW显示房颤/房扑与失眠间存在正向因果关系[OR=1.103,95%CI(1.008,1.208),P<0.05],加权中位数、MR-Egger回归及简单众数法和加权众数法的β值与IVW的β值方向均一致。敏感性检测方面,Cochran's Q检验P>0.05说明不存在异质性,MR-Egger检验P>0.05说明不存在水平多效性,同时MR-PRESSO方法未检测到离群值,表明没有基因多效性,留一法未检测到对结果影响大的SNP,表明结果稳固无偏倚。反向,以失眠为暴露,房颤/房扑为结局,筛选到12个SNPs作为工具变量,IVW显示失眠与房颤/房扑间不存在因果关系[OR=0.989,95%CI(0.951,1.029),P>0.05)]。结论房颤/房扑会增加失眠的发生风险,在失眠患者的健康管理中应积极预防和治疗房颤、房扑等常见心律失常疾病。

虚弱与胸痛不适的因果关系:一项双向孟德尔随机化研究

目的利用大规模全基因组关联研究的汇总数据,通过孟德尔随机化分析探究虚弱和胸痛不适之间的因果关系。方法使用双向孟德尔随机研究虚弱与胸痛不适的因果关系,并采用Weighted-median、MR-Egger和IVW方法估计因果关系及其稳健性。此外进行包括Cochran's Q检验、MR-PRESSO、MR-Egger截距检验和leave-one-out分析在内的敏感性分析,以提高研究结果的可靠性。结果基因预测的虚弱和胸痛不适之间存在双向因果关系。以虚弱为暴露,胸痛不适为结局,虚弱与胸痛不适之间呈负性因果关系(OR=0.89,95%CI 0.88~0.90,P<0.05),以胸痛不适为暴露,虚弱为结局,胸痛不适与虚弱之间也呈负性因果关系(OR=0.21,95%CI 0.12~0.35,P<0.05)。结论虚弱与胸痛不适之间存在双向因果关系,随着虚弱的增加,产生胸痛不适的风险降低。反之,随着胸痛不适的增加,产生虚弱的风险降低。

因素空间理论下的因果概率推理分类算法研究

机器学习方法与因果推理结合能极大地提升方法性能。为探究因果概率正逆向推理的分类效果,基于因素空间理论下的因素概率论,利用条件概率,研究正向因素概率推理原理及模型并提出正向因果概率推理分类法(forward causal probabilistic inference classification algorithm,FCPIC)和简化条件的可取度分类法;研究逆向因素概率推理原理及模型并结合贝叶斯网络提出逆向因果概率推理分类法(reverse causal probabilistic inference classification algorithm,RCPIC)。将3个分类算法与KNN(K-Nearest neighbor)和SVM(support vector machine)算法进行实例对比验证,研究结果表明:FCPIC算法、可取度分类算法和RCPIC算法简单有效、具有可行性和实用性,且可取度分类法和RCPIC算法性能优于SVM和KNN算法,FCPIC算法对实际数据预测中必要类有查全需求的情况更优。研究结论丰富了因素空间的理论研究和应用价值。

事实因果关系的归责功能

“归因—归责”的阶层性判断框架对因果关系从事实到规范、从客观到主观的判断模式是法学界的共识,但对事实因果关系的判断是否只是单纯地适用条件公式值得研究。行为危险现实化说在特殊体质和介入型案件中采用比较事实原因力的方法降低规范判断承载的压力,把对危险实现的规范判断建立在事实因果关系判断的基础之上,在一定程度上恢复了事实因果关系的重要性。无论是从自然科学、社会科学还是从日常生活经验来看,事实因果关系都不是用形式化的“若无则不”公式判断的诸多等值条件关系。事实因果关系对法律因果关系具有判断和认知两种功能。危险创设阶段的事实因果关系主要是对心理类案件和不作为案件中的因果关系提供认知功能。危险实现阶段的事实因果关系可以为特殊体质案件和介入型案件提供基于事实原因力比较的判断功能;在因果关系存在科学不确定性的案件中,危险是如何具体实现的需要通过流行病学或其他学科的合法则的事实因果关系进行判断。并非所有案件都需要事实因果关系对归责的辅助性判断功能,在非疑难案件中,事实因果关系没有必要受到特别重视;在有些疑难案件中,疑难的确只存在于规范判断上,对于这些案件,事实因果关系只需要根据条件说即可验证。