The Relativity of Causal Knowledge
因果知识的相对性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：摘要围绕结构因果模型、观测与干预分布及因果知识的一致性展开理论研究。
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
因果知识的相对性
- 研究问题
- 当结构因果模型是带有主体视角的不完美表征时，如何在模型关系网络中定义、组织并传递具有干预一致性的因果知识？
- 方法与思路
- 作者使用范畴论将结构因果模型组织为函子范畴，研究概率测度的凸结构，再以层与余层构造因果知识网络。
- 材料陈述的贡献
- 摘要称观测及干预概率测度自然形成凸结构，并据此编码未施加干预的模型，给出相对因果知识的数学定义。
- 阅读关注点
- 核对模型间关系与映射的定义、凸结构结果的前提，以及层结构如何表达干预一致性、主体视角和知识传递。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未提供完整定义、证明或经验检验，不能判断其统计识别能力。
原文摘要
Recent advances in artificial intelligence reveal the limits of purely predictive systems and call for a shift toward causal and collaborative reasoning. Drawing inspiration from the revolution of Grothendieck in mathematics, we introduce the relativity of causal knowledge, which posits structural causal models (SCMs) are inherently imperfect, subjective representations embedded within networks of relationships. By leveraging category theory, we arrange SCMs into a functor category and show that their observational and interventional probability measures naturally form convex structures. This result allows us to encode non-intervened SCMs with convex spaces of probability measures. Next, using sheaf theory, we construct the network sheaf and cosheaf of causal knowledge. These structures enable the transfer of causal knowledge across the network while incorporating interventional consistency and the perspective of the subjects, ultimately leading to the formal, mathematical definition of relative causal knowledge.