Causality, Causal Discovery, and Causal Inference in Structural Engineering
结构工程中的因果性、因果发现与因果推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确介绍因果发现、干预效应推断与反事实分析，应用领域为结构工程。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
结构工程中的因果性、因果发现与因果推断
- 研究问题
- 在土木与结构工程中，如何通过因果发现构建机制模型，并利用因果推断分析干预和反事实问题，与传统机器学习有何联系？
- 方法与思路
- 作者从工程视角介绍因果分析的基本原则、常用因果发现与推断算法及软件包，并通过示例和案例说明领域应用。
- 材料陈述的贡献
- 摘要主要提供面向结构工程的因果方法导览，阐明发现因果结构与推断干预影响的联系，并展示这些概念的应用方式。
- 阅读关注点
- 应核对案例的因果目标、图结构来源与识别假设，区分概念介绍、算法已有性质和文章实际提供的经验或方法证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未声称提出新识别定理，也未说明案例是否足以验证因果结论。
原文摘要
Much of our experiments are designed to uncover the cause(s) and effect(s) behind a data generating mechanism (i.e., phenomenon) we happen to be interested in. Uncovering such relationships allows us to identify the true working of a phenomenon and, most importantly, articulate a model that may enable us to further explore the phenomenon on hand and/or allow us to predict it accurately. Fundamentally, such models are likely to be derived via a causal approach (as opposed to an observational or empirical mean). In this approach, causal discovery is required to create a causal model, which can then be applied to infer the influence of interventions, and answer any hypothetical questions (i.e., in the form of What ifs? Etc.) that we might have. This paper builds a case for causal discovery and causal inference and contrasts that against traditional machine learning approaches; all from a civil and structural engineering perspective. More specifically, this paper outlines the key principles of causality and the most commonly used algorithms and packages for causal discovery and causal inference. Finally, this paper also presents a series of examples and case studies of how causal concepts can be adopted for our domain.