题目: Probabilistic Reasoning across the Causal Hierarchy∗

摘要: 我们将关联、干预和反事实的三层因果关系形式化为一系列概率逻辑语言,我们的语言具有严格的表达能力,第一种语言能够表达定量概率推理,包括条件独立和贝叶斯推理第二个是对因果关系的计算推理,第三个是对任意反事实查询的完全表达式计算。我们给出了在结构因果模型和概率程序上完成的一系列相应的有限公理化,并证明了多项式的SAT可效度和有效性在多项式空间中是决定性的。

作者简介: Thomas Icard,斯坦福人工智能实验室附属学院,哲学和计算机科学助理教授。个人主页:https://web.stanford.edu/~icard/

成为VIP会员查看完整内容
45

相关内容

人工智能(Artificial Intelligence, AI )是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支。
因果关联学习,Causal Relational Learning
专知会员服务
179+阅读 · 2020年4月21日
17篇知识图谱Knowledge Graphs论文 @AAAI2020
专知会员服务
167+阅读 · 2020年2月13日
17篇必看[知识图谱Knowledge Graphs] 论文@AAAI2020
Transferring Knowledge across Learning Processes
CreateAMind
25+阅读 · 2019年5月18日
告别曲线拟合:因果推断和do-Calculus简介
论智
24+阅读 · 2018年5月26日
Arxiv
7+阅读 · 2018年3月17日
VIP会员
相关VIP内容
因果关联学习,Causal Relational Learning
专知会员服务
179+阅读 · 2020年4月21日
17篇知识图谱Knowledge Graphs论文 @AAAI2020
专知会员服务
167+阅读 · 2020年2月13日
微信扫码咨询专知VIP会员