因果知识工程：以 COVID-19 为例的案例研究
人工智能
2024-03-22 v1
摘要
COVID-19 于 2020 年初突然出现，需要在高度不确定的背景下做出快速响应。最初缺乏高质量的数据和知识，许多早期模型不得不通过内置因果假设和估计来补充有限的数据，通常没有可靠的方法来识别、验证和记录这些因果假设。我们的团队着手进行了一个知识工程过程，以开发一个因果知识库，该知识库由多个针对 COVID-19 不同方面的因果贝叶斯网络组成。该环境的独特挑战引发了对知识获取方法的实验，并最终形成了一种我们称之为因果知识工程的方法。CKE 提供了一种构建因果知识库的结构化方法，该知识库可以支持各种特定应用模型的开发。在此，我们描述了 CKE 方法，并以我们的 COVID-19 工作作为案例研究，对该方法进行了详细的讨论和分析。
引用
@article{arxiv.2403.14100,
title = {Causal knowledge engineering: A case study from COVID-19},
author = {Steven Mascaro and Yue Wu and Ross Pearson and Owen Woodberry and Jessica Ramsay and Tom Snelling and Ann E. Nicholson},
journal= {arXiv preprint arXiv:2403.14100},
year = {2024}
}
备注
22 pages (plus 19 pages in appendices), 9 figures, submitted for review