Cuando algo malo le sucede a una persona, es humano tratar de averiguar por qué sucedió. ¿Qué lo causó? Si entendemos eso, es posible evitar el mismo resultado la próxima vez. Sin embargo, algunas de las formas en queLo que usamos para tratar de comprender los eventos, como la superstición, no puede explicar lo que realmente está sucediendo. Tampoco la correlación, lo que solo puede decir que el evento B ocurrió alrededor del mismo tiempo que el evento A.
Para saber realmente qué causó un evento, necesitamos observar la causalidad: cómo fluye la información de un evento a otro. Es el flujo de información que muestra que hay un vínculo causal: ese evento A causó el evento B. Pero, ¿qué sucede?cuando falta el flujo de información secuenciada en el tiempo del evento A al evento B? Ahora necesitamos una causalidad general para identificar las causas.
Cascanueces general
Los modelos matemáticos para la causalidad general han sido muy limitados, trabajando para hasta dos causas. Ahora, en un gran avance de Inteligencia Artificial, los investigadores han desarrollado el primer modelo robusto para la causalidad general que identifica múltiples conexiones causales sin datos de secuencia de tiempo: un MultivarianteModelo de ruido aditivo MANM.
Investigadores de la Universidad de Johannesburgo, Sudáfrica y el Instituto Nacional de Tecnología de Rourkela, India, desarrollaron el modelo y lo probaron en conjuntos de datos simulados del mundo real. La investigación se publica en la revista Redes neuronales .
"Excepcionalmente, el modelo puede identificar múltiples factores causales jerárquicos. Funciona incluso si los datos con secuenciación de tiempo no están disponibles. El modelo crea oportunidades significativas para analizar fenómenos complejos en áreas tales como economía, brotes de enfermedades, cambio climático y conservación,"dice el profesor Tshilidzi Marwala, profesor de Inteligencia Artificial IA y experto global en IA y Economía de la Universidad de Johannesburgo, Sudáfrica.
"El modelo es especialmente útil a nivel regional, nacional o global donde no son posibles experimentos controlados o naturales", agrega Marwala.
Superstición y correlación hacia la causalidad
"Si un gato negro cruza la calle o un búho ulula en el techo, algunas personas están convencidas de que algo realmente malo va a suceder. Una persona puede pensar que hay una conexión entre ver al gato o al búho y lo que sucediódespués. Sin embargo, desde el punto de vista de la Inteligencia Artificial, decimos que no hay vínculos causales entre el gato, la lechuza y lo que les sucede a las personas que los ven. El gato o la lechuza fueron vistos justo antes del evento, perosimplemente están correlacionados en el tiempo con lo que sucedió después ", dice el profesor Marwala.
Mientras tanto, de vuelta en la casa en la que estaba sentada la lechuza, algo más siniestro puede estar sucediendo. La familia en el interior puede estar cada vez más endeudada. Tal situación financiera puede imponer restricciones cada vez más severas en el hogar, eventualmenteconvertirse en una trampa de la que puede haber poca escapatoria, pero ¿entienden las personas que viven allí por qué, cuáles son las conexiones causales reales entre lo que les sucede, lo que hacen y sus niveles de deuda?
causalidad a nivel del hogar
Las causas de la deuda persistente de los hogares son un buen ejemplo de lo que el nuevo modelo es capaz de hacer, dice el investigador postdoctoral Dr. Pramod Kumar Parida, autor principal del artículo de investigación.
"A nivel del hogar, uno puede preguntar: ¿Ha perdido el hogar parte o la totalidad de sus ingresos? ¿Algunos o todos los miembros están gastando más allá de sus ingresos? ¿Le ha sucedido algo a los miembros del hogar que está obligando a grandes gastos, como facturas médicas o por discapacidad?"¿Están utilizando sus ahorros o inversiones, que ahora se han agotado? ¿Está sucediendo una combinación de estas cosas? De ser así, ¿cuáles son las causas más dominantes de la deuda?"
Si hay suficientes datos disponibles sobre las transacciones financieras del hogar, junto con información de fecha y hora, es posible que alguien descubra las conexiones causales reales entre ingresos, gastos, ahorros, inversiones y deudas.
En este caso, la simple teoría de la causalidad es suficiente para descubrir por qué este hogar está luchando.
causalidad general a nivel social
Pero dice Parida, si uno pregunta: "¿Cuáles son las razones reales por las que la mayoría de las personas en una ciudad o región tienen dificultades financieras? ¿Por qué no están saliendo de la deuda?" Ahora ya no es posible para un equipo de personasaveriguar esto a partir de los datos disponibles. Ahora se abre un nuevo desafío matemático.
"Especialmente si desea las conexiones causales reales entre el ingreso familiar, el gasto, el ahorro y la deuda de la ciudad o región, en lugar de las conjeturas de expertos o" lo que la mayoría de la gente cree "", agrega.
"Aquí, la teoría de la causalidad ya no funciona, porque los datos de las transacciones financieras para los hogares en la ciudad o región estarán incompletos. Además, faltará información de fecha y hora en algunos datos. Lucha financiera en niveles bajos, medios y altos-los hogares de ingresos pueden ser muy diferentes, por lo que querrá ver las diferentes causas del análisis ", dice Parida.
"Con este modelo, puede identificar múltiples factores principales que causan la deuda del hogar. En el modelo, llamamos a estos factores las conexiones causales de los padres independientes. También puede ver qué conexiones causales son más dominantes que las demás. Conuna segunda pasada a través de los datos, también puede ver los factores impulsores menores, lo que llamamos conexiones causales secundarias independientes. De esta manera, es posible identificar una posible jerarquía de conexiones causales ".
Análisis causal significativamente mejorado
El Modelo de ruido aditivo multivariado MANM proporciona un análisis causal significativamente mejor en conjuntos de datos del mundo real que los modelos estándar de la industria actualmente en uso, dice el coautor Prof Snehashish Chakraverty, en el Grupo de Matemáticas Aplicadas, Departamento de Matemáticas, Instituto Nacional deTecnología Rourkela, India.
"Para mejorar un problema regional complejo, como la deuda de los hogares o los desafíos de atención médica, puede no ser suficiente tener el conocimiento de los patrones de la deuda, o de la enfermedad y la exposición. Por el contrario, debemos entender por quéexisten patrones para tener la mejor manera de cambiarlos. Los modelos anteriores desarrollados por investigadores trabajaron con un máximo de dos factores causales, es decir, eran modelos bivariados, que simplemente no podían encontrar criterios de dependencia de características múltiples ", dice.
Gráficos acíclicos dirigidos
"MANM se basa en Gráficos Acíclicos Dirigidos DAG, que pueden identificar una estructura causal multinodal. MANM puede estimar cada dirección causal posible en conjuntos de características complejas, sin direcciones faltantes o incorrectas".
El uso de DAG es una razón clave por la que MANM supera significativamente a los modelos desarrollados previamente por otros, que se basan en el Análisis de componentes independientes ICA, como el Modelo acíclico lineal no gaussiano ICA-LiNGAM, la Búsqueda codiciosa de DAG GDSy Regresión con prueba independiente subsecuente RESIT, dice.
"Otra característica clave de MANM es el Factor de Influencia Causal CIF propuesto, para el descubrimiento exitoso de direcciones causales en el sistema multivariante. La puntuación CIF proporciona un indicador confiable de la calidad de la inferencia casual, que permite evitar la mayor parte delas direcciones faltantes o incorrectas en la estructura causal resultante ", concluye Chakraverty.
Donde hay un conjunto de datos disponible, MANM ahora permite identificar múltiples estructuras causales multinodales dentro del conjunto. Como ejemplo, MANM puede identificar las múltiples causas de la deuda persistente de los hogares de hogares de bajos, medianos y altos ingresos enUna region.
Fuente de la historia :
Materiales proporcionado por Universidad de Johannesburgo . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :