| 第38行： |
第38行： |
| | ==在计算机科学领域 In computer science== | | ==在计算机科学领域 In computer science== |
| | | | |
| − | | + | <font color = '#ff8000'>从联合观测数据中确定两个时间无关变量（例如X和Y）的因果关系，利用某些模型在X→Y和Y→X方向上的证据之间的不对称性。Determination of cause and effect from joint observational data for two time-independent variables, say X and Y, has been tackled using asymmetry between evidence for some model in the directions, X → Y and Y → X.</font>主要的方法基于'''<font color = '#ff8000'>算法信息理论 Algorithmic information theory</font>'''模型和'''<font color = '#ff8000'>噪声模型 noise models</font>'''。 |
| − | Determination of cause and effect from joint observational data for two time-independent variables, say X and Y, has been tackled using asymmetry between evidence for some model in the directions, X → Y and Y → X. The primary approaches are based on [[Algorithmic information theory]] models and noise models.{{Citation needed|date=May 2019}}
| |
| − | | |
| − | 确定两个时间独立变量：X 和 Y 的联合观测数据因果关系的问题已经被解决了，方法是利用 X → Y 和 Y → X 方向上某些模型的证据不对称性。主要的方法基于'''<font color = '#ff8000'>算法信息理论Algorithmic information theory</font>'''模型和'''<font color = '#ff8000'>噪声模型noise models</font>'''。
| |
| − | | |
| − | --[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“确定两个时间独立变量：X 和 Y 的联合观测数据因果关系的问题 已经被解决了，方法是利用 X → Y 和 Y → X 方向上某些模型的证据不对称性。”改为“由两个时间自变量，例如X,Y；联合观测数据来确定因果关系。已经被使用一些模型方向上证据的不对称性给解决了，例如：X → Y 和 Y → X 。”
| |
| − | | |
| | | | |
| | | | |
| 第50行： |
第44行： |
| | | | |
| | 比较两个同时输出 X 和 Y 的程序。 | | 比较两个同时输出 X 和 Y 的程序。 |
| − | * Store Y and a compressed form of X in terms of uncompressed Y. | + | * 根据未压缩的Y存储Y和X的压缩型 Store Y and a compressed form of X in terms of uncompressed Y. |
| − | | |
| − | * Store X and a compressed form of Y in terms of uncompressed X.
| |
| − | | |
| − | * 用未压缩的 X 来存储 X 和压缩形式的 Y 。
| |
| − | | |
| − | --[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“用未压缩的 X 来存储 X 和压缩形式的 Y ”改为“根据未压缩的Y存储Y和X的压缩型，根据未压缩的X存储X和Y的压缩型”
| |
| | | | |
| − | The shortest such program implies the uncompressed stored variable more-likely causes the computed variable.<ref>Kailash Budhathoki and Jilles Vreeken "[http://eda.mmci.uni-saarland.de/pubs/2016/origo-budhathoki,vreeken.pdf Causal Inference by Compression]" 2016 IEEE 16th International Conference on Data Mining (ICDM)</ref><ref>{{Cite journal |doi = 10.1007/s10115-018-1286-7|title = Telling cause from effect by local and global regression|journal = Knowledge and Information Systems|year = 2018|last1 = Marx|first1 = Alexander|last2 = Vreeken|first2 = Jilles|volume=60|issue = 3|pages=1277–1305|doi-access = free}}</ref>
| + | * 根据未压缩的X存储X和Y的压缩型 Store X and a compressed form of Y in terms of uncompressed X. |
| | | | |
| − | 最短的这种程序意味着，更有可能是未压缩的'''<font color='#ff8000>存储变量stored variable</font>'''导致了'''<font color='#ff8000>计算出的变量computed variable</font>'''。
| |
| | | | |
| | + | 最短的此类程序表明，未压缩的'''<font color='#ff8000>存储变量stored variable</font>'''更有可能导致'''<font color='#ff8000>计算变量 computed variable</font>'''。<ref>Kailash Budhathoki and Jilles Vreeken "[http://eda.mmci.uni-saarland.de/pubs/2016/origo-budhathoki,vreeken.pdf Causal Inference by Compression]" 2016 IEEE 16th International Conference on Data Mining (ICDM)</ref><ref>{{Cite journal |doi = 10.1007/s10115-018-1286-7|title = Telling cause from effect by local and global regression|journal = Knowledge and Information Systems|year = 2018|last1 = Marx|first1 = Alexander|last2 = Vreeken|first2 = Jilles|volume=60|issue = 3|pages=1277–1305|doi-access = free}}</ref> |
| | | | |
| − | --[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“最短的这种程序意味着”改为“最短的此类程序表明”
| |
| − | --[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“计算出的变量”改为“计算变量”
| |
| | | | |
| | ===噪音模型 Noise models=== | | ===噪音模型 Noise models=== |
| 第78行： |
第64行： |
| | | | |
| | 上述模型均基于以下假设： | | 上述模型均基于以下假设： |
| | + | |
| | * '''<font color='#ff8000'>Y 不存在其他原因 There are no other causes of Y</font>''' 。 | | * '''<font color='#ff8000'>Y 不存在其他原因 There are no other causes of Y</font>''' 。 |
| | | | |