Más allá de la aditividad: Modelos LSNM con variables ocultas
¿Sabías que los efectos causales pueden modular la varianza? Descubre cómo el algoritmo LSNM-UV identifica relaciones causales incluso con variables ocultas, superando modelos aditivos.
#descubrimiento causal
EML-CD: Árboles simbólicos para recuperar mecanismos causales
EML-CD recupera mecanismos causales como ecuaciones cerradas usando árboles simbólicos EML. Supera a métodos tradicionales en precisión e interpretabilidad. ¡Descúbrelo!
Descubrimiento escalable de causalidad de anomalías en grandes sistemas
Descubre cómo AnomalyCD logra eficiencia computacional en el descubrimiento de causalidad de anomalías en grandes sistemas usando datos binarios. Mejora precisión y reduce costos.
Descubrimiento Causal Robusto en Series Temporales Reales con Leyes de Potencia
Descubre cómo las leyes de potencia mejoran el descubrimiento causal en series temporales reales, reduciendo ruido y obteniendo inferencias fiables.
Descubrimiento Causal Robusto en Series Temporales con Leyes de Potencia
Descubre cómo un método basado en leyes de potencia extrae señales causales reales en series temporales, superando el ruido y mejorando la precisión.
Modelado causal de la selección evolutiva
Aprende a distinguir selección estática y evolutiva en datos. Un nuevo modelo causal revela mecanismos evolutivos en múltiples entornos.
Explicabilidad de LLM mediante Cadenas Contrafactuales y Grafos Causales
Descubre cómo los grafos causales y las cadenas contrafactuales revelan el razonamiento interno de los LLM, mejorando la transparencia y la interpretabilidad en tareas de clasificación.
¿Los datasets reales contienen experimentos naturales?
Descubre cómo los conjuntos de datos reales pueden contener experimentos naturales y cómo la inferencia causal mejora el rendimiento de los modelos. Un estudio empírico.
Tu modelo autorregresivo ya revela el grafo causal
Descubre cómo TRACE utiliza modelos autorregresivos para revelar el grafo causal a partir de secuencias de eventos, superando métodos tradicionales en escalabilidad y precisión.
CauTion: Cuándo confiar en los LLMs para descubrimiento causal
Descubre CauTion, un marco que integra LLMs y algoritmos estadísticos para descubrimiento causal con alta precisión y robustez. Ideal para científicos de datos.
Elicitación de Preferencias Causales
Descubre cómo la elicitación causal de preferencias acelera el descubrimiento causal con consultas activas a expertos. Un enfoque bayesiano para concentrar la posterior sobre DAGs.
Aprendizaje de Estructura Causal Temporal con Optimización Diferenciable
Descubre un método de optimización diferenciable que aprende estructuras causales en series temporales de forma rápida y precisa, superando a 12 algoritmos.
Aprendizaje de Estructuras Causales Temporales vía Optimización Diferenciable
Nuevo método de optimización diferenciable descubre causas en series temporales, eliminando restricciones acíclicas.
Identificabilidad en Modelos de Markov con Efectos Instantáneos
Descubre cómo identificar regímenes latentes y estructuras causales en series temporales no estacionarias con modelos de Markov y efectos instantáneos.
Evaluación de consistencia de benchmarks usados para descubrimiento causal
Descubre cómo evaluamos la consistencia de 11 benchmarks populares con 38,081 artículos, revelando implicaciones para la investigación causal.
Descubrimiento Causal Federado con Intervenciones Desconocidas
Descubre I-PERI, un algoritmo federado que recupera estructuras causales a partir de datos heterogéneos con intervenciones desconocidas, mejorando privacidad y precisión.
TabCausal: Preentrenamiento en Entornos Causales para Detección Causal en Tablas
TabCausal aprende relaciones causales en datos tabulares con preentrenamiento en múltiples entornos. Supera métodos clásicos, ideal para intervenciones.
Estructuras causales y procesos dinámicos ocultos en el clima
CaDRe: un modelo que descubre relaciones causales ocultas en la dinámica climática. Mejora la precisión de pronósticos y ofrece insights interpretables.