195
个编辑
更改
跳到导航
跳到搜索
第68行：
第68行： + − + − + − + − + − + − + − + − + − + − + − + − + − + − + + + + + + + − + − + − + − + − + − + − + − + − + − +
→因果度量方法中的因果基元
{| class="wikitable"
{| class="wikitable"
|+
|+
各种因果度量方法及其形式化公式
!序号
!序号
!名称
!名称
!公式
!形式化公式及其与因果基元的关系
!备注
!备注
|-
|-
|1
|1
|
|David Hume的恒常连结
|<math>deg=\sum_{e\in E}P(e\mid c) deg(e)=1-\frac{H(e\mid C)}{\log_{2}n}</math>
|<math>CS_{Galton}(e,c)=P(c)P(C\backslash c)[P(e\mid c)-P(e\mid C\backslash c)]=P(c)P(C\backslash c)[suff(e,c)+nec(e,c)-1]</math>
|
|
|-
|-
|2
|2
|
|Eells 的因果关系度量是概率提升
|
|<math>CS_{Eells}=P(e\mid c)-P(e\mid C\backslash c)=suff(e,c)+nec(e,c)-1</math>
|
|
|-
|-
|3
|3
|
|Suppes将因果关系度量为概率提升
|
|<math>CS_{Suppes}(c,e)=P(e\mid c)-P(e\mid C)=suff(e,c)-nec^{\dagger}(e)</math>
|
|
|-
|-
|4
|4
|
|程氏的因果归因
|
|<math>CS_{Cheng}(c,e)=\frac{P(e\mid c)-P(e\mid C\backslash c)}{1-P(e\mid C\backslash c)}=\frac{suff(e,c)+nec(e,c)-1}{nec(e,c)}</math>
|
|
|-
|-
|5
|5
|
|Lewis的反事实因果理论
|
|<math>CS_{Lewis}(c,e)=\frac{P(e\mid c)-P(e\mid C\backslash c)}{P(e\mid c)}=\frac{suff(e,c)+nec(e,c)-1}{suff(e,c)}</math>
|
|
|-
|-
|6
|6
|
|Judea Pearl的因果关系测量方法
|
|<math>\mathrm{PNS}=P(e\mid c)-P(e\mid C\backslash c)=suff(e,c)+nec(e,c)-1</math><math>\mathrm{PN}=\frac{P(e\mid c)-P(e\mid C\backslash c)}{P(e\mid c)}=\frac{suff(e,c)+nec(e,c)-1}{suff(e,c)}</math>
|
<math>\mathrm{PS}=\frac{P(e\mid c)-P(e\mid C\backslash c)}{1-P(e\mid C\backslash c)}=\frac{suff(e,c)+nec(e,c)-1}{nec(e,c)}</math>
|PNS对应关联层级，等价于<math>CS_{Eells}</math>
PN对应干预层级，等价于<math>CS_{Lewis}</math>
PS对应反事实层级，等价于<math>CS_{cheng}</math>
|-
|-
|7
|7
|
|最接近的可能世界因果关系
|
|<math>CS_{Lewis CPW}=\frac{P(e\mid c)-P(e\mid\bar{c}_{CPW})}{P(e\mid c)}</math>
|
|其中<math>\bar{c}_{CPW}=\min_{c'}D_H(c,c')</math>，<math>D_H(c,c')</math>为<math>c</math>和<math>c'</math>之间的汉明距离
|-
|-
|8
|8
|
|位翻转措施
|
|<math>CS_{bit-flip}(e,c)=\frac{1}{N}\sum_{i}^{N}\sum_{e^{\prime}\in E}P(e^{\prime}\mid c_{[i]})D_{H}(e,e^{\prime})</math>
|
|其中<math>c_{[i]}</math>对应于第<math>i^{th}</math>位被翻转的状态（例如，如果 c = 000，则 c[3] = 001），<math>D_H(e,e')</math>为<math>e</math>和<math>e'</math>之间的汉明距离
|-
|-
|9
|9
|
|实际因果关系和结果信息
|
|<math>ei(c,e)=\log_2\frac{P(e\mid c)}{P(e\mid C)}=\log_2n[det(e,c)-deg(c)]</math>
|
|
|-
|-
|10
|10
|
|有效信息（EI）
|
|<math>EI=\sum_{e\in E,c\in C}P(e,c)ei(c,e)=\log_{2}n[det-deg]</math>
|
|
|}
|}