Resumen: La inferencia elevada explota las indistinguibilidades en modelos gráficos probabilísticos mediante el uso de un representante de objetos indistinguibles, acelerando así la respuesta a consultas y manteniendo respuestas exactas. En este artículo, mostramos cómo se puede aplicar el levantamiento para calcular de manera eficiente los efectos causales en dominios relacionales. Más específicamente, introducimos gráficos paramétricos de factores causales (PCFG) para incorporar conocimiento causal en modelos elevados y brindar una semántica formal de las intervenciones en los mismos. Además, presentamos el algoritmo de inferencia causal elevada (LCI) para calcular los efectos causales en un nivel elevado, acelerando así drásticamente la inferencia causal en comparación con la inferencia proposicional, por ejemplo, en redes bayesianas causales. Además, presentamos gráficos de factores causales paramétricos parcialmente dirigidos (PD-PCFG) como una generalización de los PCFG para manejar el conocimiento causal parcial y extender el LCI para realizar inferencia causal elevada en un PD-PCFG, extendiendo así la aplicabilidad de la inferencia causal elevada a una gama más amplia de modelos que requieren menos conocimiento previo sobre las relaciones causales.
Publicado originalmente en export.arxiv.org el 28 de junio de 2026.
Ver fuente original
