Resumen: Las explicaciones causales estructurales (SCE) pueden usarse para generar automáticamente explicaciones en lenguaje natural a preguntas sobre datos dados que se basan en un modelo causal (posiblemente aprendido). Lamentablemente trabajan solo para pequeños datos. A su vez, no son atractivos para ofrecer razones para los eventos, por ejemplo, rastrear cambios causales en múltiples pasos de tiempo, o un componente de comportamiento que implica bucles de retroalimentación a través de acciones de un agente. Con este fin, generalizamos SCES a una formulación (recursiva) de árboles explicativos para capturar las interacciones temporales entre las razones. Mostramos los beneficios de este algoritmo de SCE más general en los datos sintéticos de la serie temporal y un juego de cuadrícula 2D, y lo comparamos con el SCE base y otros métodos existentes para explicaciones causales.
Publicado Originalme en rss.arxiv.org El 4 de junio de 2025.
Ver Fuente Original
