Дабы вправду знать, что стало причиной событие, мы должны взглянуть на причинную сообщение: как потоки информации от одного события до другого. Это – поток информации, что говорит о том, что имеется причинная сообщение – что событие приведённое к событию B. Но что происходит, в то время, когда упорядоченный временем поток информации от события A до события B отсутствует? Сейчас нам нужна неспециализированная причинная сообщение, дабы найти причины.Неспециализированные щипцы для орехов
Математические модели для неспециализированной причинной связи были весьма ограничены, трудящийся максимум по двум обстоятельствам. Сейчас в огромном прорыве ИИ, исследователи создали первую прочную модель для неспециализированной причинной связи, которая определяет многократные причинные связи без данных последовательности времени: Multivariate Additive Noise Model (MANM).
Исследователи из Университета Йоханнесбурга, Южная Африка и Национального Технологического университета Роуркела, Индия создала модель и проверила его на моделируемых, настоящих комплектах данных. Изучение издано в издании Neural Networks.«Только, модель может распознать многократные, иерархические причинные факторы. Это трудится, даже в том случае, если эти с упорядочением во времени не дешёвы.
Модель формирует большие возможности проанализировать сложные явления в регионах, таких как экономика, вспышки заболевания, сохранение и изменение климата», говорят доктор наук Чилидзи Маруола, доктор наук ИИ (AI), и глобальный AI и специалист по Экономике в Университете Йоханнесбурга, Южная Африка.«Модель особенно нужна на региональном, национальном либо глобальном уровне, где никакие которыми руководят либо естественные опыты не вероятны», додаёт Маруола.
корреляция и Суеверие к причинной связи«В случае если тёмная кошка натыкается на дорогу, либо сова кричит на крыше, кое-какие люди уверенны, что что-то вправду не хорошо планирует произойти. Человек может думать, что имеется связь между наблюдением кошки либо совы и что случилось потом. Но с позиций ИИ, мы говорим, что нет никаких причинных связей между кошкой, совой, и что происходит с людьми, каковые видят их.
Кошка либо сова были увидены незадолго до события, но они просто коррелируются своевременно с тем, что случилось позднее», говорит доктор наук Маруола.В это же время, назад в доме, на котором сидела сова, что-то более зловещее может длиться.
Семья в может скользить глубже и глубже взаймы. Такое денежное положение может ввести более важные ограничения для домашнего хозяйства, в конечном итоге став ловушкой, от которой возможно мало спасения.
Но люди, живущие, в том месте знают, из-за чего – что фактические причинные связи в это же время, что происходит с ними, что они делают и их уровни долга?Причинная сообщение на домашнем уровне
Обстоятельства сохраняющейся задолженности домохозяйств – хороший пример того, к чему новая модель способна, говорят постдокторский исследователь врач Прэмод Кумар Пэрида, ведущий создатель статьи изучения.«На домашнем уровне возможно задать вопрос: домашнее хозяйство утратило некоторых либо целый его доход? Кое-какие либо все участники тратят вне их дохода? Что-то случилось с домашними участниками, что вызывает громадный, тратят, таковой как медицинский либо счета нетрудоспособности?
Они израсходовали собственные накопления либо инвестиции, каковые сейчас закончились? Комбинация этих вещей происходящий, в случае если так, каковые являются более главными обстоятельствами долга?»В случае если достаточно информации о денежных операциях домашнего хозяйства доступно, вместе с информацией и датой времени, для кого-то вероятно узнать фактические причинные связи между доходом, израсходовать, накопления, инвестиции и долг.В этом случае несложная теория причинной связи достаточна, дабы определить, из-за чего это домашнее хозяйство борется.
Неспециализированная причинная сообщение на социальном уровнеНо говорит Пэриду, если Вы задаёте вопросы: ‘Каковы настоящие обстоятельства, большая часть людей в городе либо регионе борется в денежном отношении? Из-за чего они не расплачиваются с долгами?’ Сейчас для команды людей больше не вероятно изобразить это из дешёвых данных. Сейчас совсем новая математическая неприятность раскрывается.
«Особенно, если Вы желаете фактические причинные связи между доходом семьи, тратите, накопления и долг для города либо региона, а не умелых догадок либо, ‘чему большая часть людей верит’», додаёт он.«Тут, теория причинной связи больше не работает, по причине того, что информацию о денежной операции для домашних хозяйств в городе либо регионе будут неполными. Помимо этого, информация и дата времени будут отсутствовать на некоторых данных.
Денежная борьба в домашних хозяйствах низкого, высокого дохода и среднего может весьма различаться, так, Вы захотите видеть разные обстоятельства от анализа», говорит Пэрида.«С данной моделью Вы имеете возможность выяснить, может распознать многократные главные ведущие факторы, вызывающие задолженность домохозяйств. В модели мы именуем эти факторы свободными родительскими причинными связями. Вы имеете возможность кроме этого видеть, какие конкретно причинные связи более главные, чем другие.
Со вторым проходом через эти Вы имеете возможность кроме этого видеть, что несовершеннолетний стимулирует факторы, что мы именуем свободного ребенка причинными связями. Так вероятно выяснить вероятную иерархию причинных связей».Существенно улучшенный причинный анализMultivariate Additive Noise Model (MANM) снабжает существенно лучший причинный анализ настоящих комплектов данных, чем стандартные для отрасли употребляющиеся на данный момент модели, говорит соавтор доктор наук Снехэшиш Чакрэверти, в Applied Mathematics Group, Отделе Математики, Национальном Технологическом университете Роуркела, Индия.
«Дабы улучшить непростую региональную проблему, такую как задолженность домохозяйств либо неприятности здравоохранения, может не быть достаточно иметь знание образцов долга, либо воздействия и болезни. Напротив, мы должны осознать, из-за чего такие образцы существуют, дабы иметь лучший метод поменять их.
Прошлые модели, созданные исследователями, трудились максимум с двух причинных факторов, что есть, они были двумерными моделями, каковые просто не могли отыскать многократные параметры зависимости от изюминки», говорит он.Направленные нециклические графы«MANM основан на Направленных Нециклических Графах (DAGs), что может выяснить мультицентральную причинную структуру. MANM может оценить каждое вероятное причинное направление в сложных комплектах показателей без пропавших без вести либо неправильных направлений».Применение DAGs – главная причина, MANM существенно побеждает у моделей, ранее созданных вторыми, каковые были основаны на Independent Component Analysis (ICA), таком как Линейная Негауссовская Нециклическая Модель (ФАЛЛОС ICA), Greedy DAG Search (GDS) и Регресс с Последующим Свободным Тестом (ПЕРЕСДАЧА ЭКЗАМЕНА), говорит он.
«Вторая основная изюминка MANM – предложенный Causal Influence Factor (CIF) для успешного открытия причинных направлений в многомерной совокупности. Счет сифа снабжает надежный индикатор качества случайного вывода, что разрешает избежать большинства пропавших без вести либо неправильных направлений в получающейся причинной структуре», завершает Чакрэверти.
Где существующий комплект данных дешёв, MANM сейчас разрешает выяснить многократные мультицентральные причинные структуры в комплекте. Как пример, MANM может выяснить многократные обстоятельства постоянной задолженности домохозяйств для домашних хозяйств низкого, высокого дохода и среднего в регионе.