因果框架问题：一种算法视角
人工智能
2017-01-30 v1 神经元与认知
机器学习
摘要
框架问题(FP)是心智哲学与认识论中的一个难题，斯坦福哲学百科全书将其阐述为：“我们如何解释自己显然能够仅基于与正在进行的情况相关的东西做出决策，而无需明确考虑所有不相关的东西？”本工作中，我们关注FP的因果变体，即因果框架问题(CFP)。假设推理者的心智因果模型可由一个因果贝叶斯网络（causal Bayes net）隐式表示，我们首先引入称为潜在层级(Potential Level, PL)的概念。PL本质上编码了因果贝叶斯网络中一个节点相对于其邻节点的相对位置。借鉴关于因果判断的心理学文献，我们证实了PL可能影响心智中时间编码方式的论断。利用PL，我们提出一种称为基于PL的推理框架(PLIF)的推断框架，它允许在Marr的算法分析层上将一种有限理性的CFP处理方法形式化表述。我们表明，我们提出的PLIF框架与因果判断文献中的广泛发现一致，并且PL与PLIF做出了若干预测，其中一些已得到现有发现的支持。
引用
@article{arxiv.1701.08100,
title = {The Causal Frame Problem: An Algorithmic Perspective},
author = {Ardavan Salehi Nobandegani and Ioannis N. Psaromiligkos},
journal= {arXiv preprint arXiv:1701.08100},
year = {2017}
}