Causal Falsification of Digital Twins
数字孪生的因果证伪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：摘要明确以干预响应、观察混杂和因果证伪来定义及检验数字孪生，直接属于因果推断。
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…
数字孪生的因果证伪
- 研究问题
- 如何利用可能存在混杂的真实观察轨迹评估数字孪生对干预响应的准确性，并在无法认证正确性时可靠地识别错误？
- 方法与思路
- 作者将数字孪生准确性定义为因果推断问题，提出寻找不正确情形的统计程序，并以 ICU 数据评估脓毒症生理模拟模型。
- 材料陈述的贡献
- 摘要称证伪程序仅要求观察轨迹数据独立同分布，即使存在混杂仍保持可靠，从而提供可用于修正孪生模型的信息。
- 阅读关注点
- 应核对孪生正确性的形式定义、证伪检验的原假设和错误控制，以及独立轨迹要求与具体错误情形的检测能力。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出程序细节和功效条件，未发现错误不能据此认证孪生正确。
原文摘要
Digital twins are simulation-based models designed to predict how a real-world process will evolve in response to interventions. This modelling paradigm holds substantial promise in many applications, but rigorous procedures for assessing their accuracy are essential for safety-critical settings. We consider how to assess the accuracy of a digital twin using real-world data. We formulate this as a causal inference problem, which leads to a precise definition of what it means for a twin to be "correct". Unfortunately, fundamental results from causal inference mean observational data cannot be used to certify a twin in this sense unless potentially tenuous assumptions are made, such as that the data are unconfounded. To avoid these assumptions, we propose instead to find situations in which the twin is not correct, and present a general-purpose statistical procedure for doing so. Our approach yields reliable and actionable information about the twin under only the assumption of an i.i.d. dataset of observational trajectories, and remains sound even if the data are confounded. We apply our methodology to a large-scale, real-world case study involving sepsis modelling within the Pulse Physiology Engine, which we assess using the MIMIC-III dataset of ICU patients.