国有商业银行人才激励反馈因果结构模型及其分析

通过调查研究国有商业银行人才资源状况、工作满意度和人才流动态势等,用关键变量入树建模法,通过线段性因果关系分析,创建了国有商业银行的整体人才激励反馈因果结构模型,然后通过人参与调控基模分析,剖析员工工作满意度与绩效考核机制的相互关系、作用机理,指出目前国有商业银行人才机制存在的若干问题,为提高国有商业银行人力资源管理水平,尤其是吸引、留住和激励核心人才提供了相关对策。

以顾客满意度预测楼盘销售价格的定性分析方法——系统反馈因果结构模型法

本文针对楼盘销售前如何合理定价以促进销售的问题,借助建立系统反馈因果结构模型,较为全面地考虑影响楼盘价格从而影响顾客购买的因素,为开发商在定性分析销售价格的制定上提供一个参考模型。

因果逻辑的“演绎之困”与因果结构模型理论的兴起

尽管演绎逻辑在推动分析哲学发展中起到了极其重要的作用,但是由于因果推理具有不同于演绎推理的特殊性,借助演绎法去刻画因果逻辑将面临若干困难。例如,保真与保义、有效性与信息性难以兼顾的二难;外延适当性与内涵适当性、扩大性与非扩大性、单调性与非单调性之间的对立。这就是因果推理面临的“演绎之困”。面临上述困局,因果模态方法和反事实方法有所作为但无力回天。人工智能科学家提出的因果结构模型理论兼顾了确定性与不确定性两方面,尝试超越上述截然二分和根本对立,在较大程度上破解了难题和困局。

基于线性结构因果模型的服务故障传播路径识别

在云计算环境中,当一个服务发生故障时,故障会随着服务之间的交互行为不断传播,导致产生大规模服务失效的风险。复杂且动态变化的服务调用关系加大了识别服务故障传播路径的难度。针对该问题,提出一种基于因果图的服务故障传播路径识别方法。监测并收集服务的运行数据,通过服务运行数据对服务故障事件完成度量;根据因果图模型推断服务故障事件之间的因果关系并构建服务故障传播图;利用服务故障传播图确定故障传播路径。实验结果表明,该方法能够有效识别服务故障传播路径。

内部取消路径与因果结构模型的忠实假设

在量子语境中,量子相干与因果结构模型是不相容的,任何量子相干的解释都会违反因果结构模型的忠实假设。忠实假设对于因果结构模型的重要性是不言而喻的,为了维持因果模型框架,纳格尔提出用内部消除路径来解决这一问题,从而保留因果解释的核心思想,但是,纳格尔回避了违反忠实原则最重要的问题之一:这种违反行为最终会损害我们基于统计独立性对因果独立性作出适当推断的能力。

基于因果贝叶斯网络的接触网风险评估模型研究

针对接触网建设阶段风险管控研究相对薄弱的问题,在充分研析接触网施工过程风险因素的基础上,判断风险因素间因果关系,建立接触网建设阶段风险评估模型,从因果逻辑视角分析接触网建设阶段风险。首先,从建设阶段、参建部门及建设要素3个维度分析接触网建设过程风险因素的外生变量与内生变量;然后,利用结构方程式描述变量之间的因果关系,建立多层次接触网风险结构因果模型网络关系分析图,并引入专家评议确定外生变量的先验概率与内生变量的条件概率,构建基于贝叶斯网络的接触网建设阶段风险评估模型;最后,通过贝叶斯网络敏感性分析和逆向推理分析找到接触网建设风险的事故最大因果链以及重要风险节点,在施工过程薄弱环节制定相应的风险预防与控制措施,降低风险发生的概率及影响,保证接触网工程按期交付以及运维阶段的检修效率。研究结果表明:在接触网建设阶段,风险发生的概率为0.6,所构建的接触网建设过程风险评估模型中有敏感性较高的节点4个,事故致因链5条。在假设接触网风险发生的条件下,逆向推理的结果显示预装配阶段和安装阶段的后验概率较高,分别为0.74和0.67。通过严格执行提出的风险控制措施,有助于提升接触网建设效率,降低运维阶段的维护成本。

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。

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。

基于因果熵的无人集群对抗评估指标分配方法

针对传统无人集群对抗评估指标分配方法仅能选出相关性较好的评估指标,存在指标混淆和虚假相关问题,提出因果熵概念,用于度量评估指标和对抗任务完成效果间的确定性程度,从而滤除评估指标之间的混淆效应。以仿真环境下的无人集群空地协同围捕试验为例,通过评估指标因果分配和约简优选出更能反映无人集群对抗能力且相对独立的评估指标。仿真结果表明,所提方法可以有效地优化评估指标体系,获取更具代表性的评估指标,具有一定的普适性。

因果贡献度与结构因果模型——萨托莉奥模型疑难分析

伦理学家卡罗莱娜·萨托莉奥开宗明义地反对存在因果贡献度这个概念,认为关于它的观念是一种“幻相”,源自一种“混淆”,不仅那些证成因果贡献度的“表象”可以通过解释来消解,而且那些用以测度因果贡献度的方法还会导致不可解决的“疑难”。根据实际因果的结构方程理论以及心理学和认知科学的研究成果,说明萨托莉奥的论证思路从前提上就错了,充分性和必要性并不是像她理解的那样是用来刻画因果贡献度的,而是用来定义因果关系的,对于规范性的考量才是因果贡献度之为可能的原因,并进一步说明,结构方程理论不能最终解决萨托莉奥的“疑难”,那也只是因为具体情形中规范的模糊性,并不构成对结构方程理论的反驳,以此捍卫了因果贡献度概念之为可能。

结构因果模型中的do算子分析

珀尔的形式化干预算子do(.)在他的结构因果模型中占有核心地位。然而由于许多学者对于do算子表达的干预性质及其符号语义有着不够充分的理解,一系列质疑的声音也随之出现。要回应这些质疑,我们应该在结构因果模型的理论背景和框架下剖析do算子本身,不仅要澄清其干预内涵和符号语义,也要厘清它在不同层级因果表达的限制所在。深入把握do算子,我们就能抓住结构因果模型的主要脉络及其关键点。

STCTN:一种基于时域偏倚校正与空域因果传递的时空因果表示学习方法

从时空数据中有效地提取特征表示是时空数据挖掘的基础.现有时空表示学习方法过于关注时空序列中的统计相关性,易受虚假相关性的影响,难以提取无偏、鲁棒的特征表示.本文基于结构因果模型建模时空数据的生成过程,分析观测数据中虚假相关性的成因,提出了一种基于时域偏倚校正与空域因果传递的时空因果表示学习方法.首先基于后门调整消除时域的虚假相关性,然后构建因果传递网络消除空域的虚假相关性,最后利用下游特征解码器将因果特征表示应用于下游任务中.在两个真实数据集上的实验表明,本文所提时空表示学习方法有效避免了虚假相关性的干扰,增强了模型的稳定性,使其在两个下游预测任务中对数据稀疏节点的预测误差分别降低了3%和10%.

基于观测数据的时间序列因果推断综述

数据存储量的扩大和计算能力的提升为基于观测数据推断时间序列的因果关系开辟了新途径。在时间序列因果推断的基本性质和研究现状的基础上,系统梳理了5种基于观测数据的时间序列因果推断方法,即Granger因果分析方法、基于信息论的方法、因果网络结构学习算法、基于结构因果模型的方法和基于非线性状态空间模型的方法。然后,根据不同应用场景的数据特点,结合方法的功能和适配性,对基于观测数据的时间序列因果推断方法在经济金融、医疗和生物学、地球系统科学和其他工程领域的典型应用进行了简要介绍。最后,结合时间序列因果推断的重难点问题,比较5种方法的优缺点,分析下一步研究重点,展望未来的研究方向。

基于因果关系的故障传播路径辨识方法研究

针对故障传播路径辨识问题,提出了一种基于因果关系的故障传播路径辨识方法,从因果关系的角度揭示了故障发生及传播的内涵。利用系统中故障发生的因果性,确定故障发生时受影响的变量,构建故障相关变量集合;通过因果关系指示指标确定故障相关变量中各个变量的因果性,构建因果矩阵;提出保可达性的赋权有向图最小生成树算法,根据因果矩阵对相关变量之间的因果性进行图示化表达,确定故障相关变量之间的传播影响过程,实现故障传播路径的辨识。所提方法在双带通滤波器电路上进行了实验验证,实验结果表明了所提方法能够正确筛选故障相关变量集合,分析变量之间的因果关系,辨识出故障传播路径,同时所提方法在时间成本上相较于常用的传递熵方法具有一定的优势。

课文理解的因果关系

理解课文依赖构成句子间的联系尤其是课文具有因果相关的联系．本文描述了课文理解中的因果关系及其涉及的有关模型．

反事实增强的对抗学习序列推荐

最近,强化学习技术在序列推荐系统取得成功,它能从用户长期反馈信号中学习有效的推荐策略.然而,模型的激励函数设计面临区分度过低的难题.这限制了模型学习不同用户反馈信号间的价值差异的能力,并导致推荐策略总是次优的.现有工作主要通过调节衰减因子来保证激励函数区分度,但它依赖专家先验知识缺乏理论基础.为了更合理地设计激励函数和提高其区分度,本文依据因果论来分析推荐系统,并提出一种基于反事实区分度增强的序列推荐算法CAL4Rec.首先,所提出方法用结构因果图描述序列推荐过程,并创造性地用因果图定义了因果可鉴别的价值激励区分度.其次,该方法用反事实生成对抗的自监督学习过程优化推荐策略网络,以学习用户的真实倾向.在一系列序列推荐基准数据集上,对CAL4Rec开展了广泛对比和消融实验,实验结果表明CAL4Rec的提升对多种网络实现结构有效(平均2.34%).

因果推断三种分析框架及其应用综述

介绍因果推断所涉及的基本概念及其三种分析框架:反事实框架、潜在结果模型和结构因果模型.首先,从反事实框架介绍因果效应的发端;然后,从基于反事实的两个因果推断分析框架:潜在结果模型和结构因果模型,来分别阐述两个分析框架所涉及的关键理论和应用方法.其中,潜在结果模型使用数学和可计算的语言对因果理论进行阐述,是一种将假设、命题和结论清晰化表达的计算模型,其在原因和结果变量已知的前提下定量分析原因变量对结果变量的因果效应,并对缺失的潜在结果进行补齐,使观察性研究的效果接近试验性研究.结构因果模型则是一种基于图论的因果推断方法,它将事件分为观察、干预和反事实三个层级,并通过do运算将干预和反事实层级的因果关系都降维成可以通过统计学手段解决的问题.最后,探讨了现今多领域内因果推断的应用场景,并总结了三种分析框架的异同点.

融合多特征与时间序列的人群行为识别模型

人群行为识别在公共安全等领域具有重要的应用价值.现有研究分别考虑了人群情绪、人群类型、人群密度以及人群社会文化环境等因素对于人群行为的影响,但少有综合考虑这些因素的模型,导致模型性能受限.本文综合考虑人群的物理特征、社交特征、情绪人格特征和文化背景特征之间的相关性,以及相结合之后对人群行为的影响,提出一种融合多特征与时间序列的人群行为识别模型.模型采用两个并行的网络层分别处理多特征相关性和时间序列依赖性对于人群行为的影响,同时为提高模型可解释性,网络层采用融合结构因果模型(SCM)与图神经网络(GNN)的因果图网络(CGN).通过在运动情感数据集(MED)上进行实验并与其他方法模型进行对比,证明了本文方法能够成功识别人群行为,并且优于目前最先进的方法.

因果关系学习的思维取向和概念分析

因果和因果关系是人类理解和描述自然与社会现象,构建科学知识体系的核心概念,近年来频频出现在人工智能的教材中,在数据分析、机器学习、人工智能等研究领域以及计量经济学、健康医学、政策制定等应用领域受到越来越多的关注。但是与其他教学内容有所不同的是,学习因果关系会更多地涉及哲学层面一些基本内容,从不同的基本原则和思维定式出发,对于因果关系会有不同的理解和结论,从而形成不同的流派。因此在因果关系的教学中,必须清晰地阐明所约定的先验性原则和假设。也就是说,需要关注其中明确的思维取向。目前在研究生和本科生教学中所采用的相关教材大多包含以图灵奖获得者Pearl为主发展起来因果分析理论和技术。本文主要根据Pearl的两本著作Causal Inference in Statistics,A primer和Model,Reasoning,and Inference(Second Edition)的内容,对于因果关系学习中需要注意的思维形式和基本假设,以及与此相关的一些概念问题,进行较为深入的讨论、解释和评论,澄清其中容易混淆的地方,以此掌握好因果关系分析的理论实质和计算要义。

人工智能与因果语言

对因果的理解是人类认知最普遍也是最不可或缺的一环。如何让蠢笨的机器人理解因果、进行有效的因果交流是实现智能的关键一步。图灵奖得主珀尔(Judea Pearl)给出了因果"推断引擎"的蓝图,而这个蓝图最关键也是最初始的设想就是因果语言的构建。首先,本文将阐述因果语言的源起;其次,通过与物理语言和概率语言的比较,来说明因果语言的特点;再次,通过与随机对照实验相比较说明因果语言作用为何;最后,说明引入因果语言的意义及其应用价值。