因果关系模型

Claims of causal-model theory:
1、直接导致的特征比间接导致的特征 在类别判断中占据更大权重。 2、特征的联合是否符合类别因果关系 知识能影响类别判断。
Bird DNA→wings→fly→build nests in trees
总之，这篇文章介绍了因果关系模型 理论，并用其来解释因果关系知识是 如何影响特征及特征的特定组合在类 别判断中的重要性。
neurotransmitter75%of Lake Victoria Shrimp have
3个因果F2关系的描Lo述ng-lastFienagtfulirgehsthriegDshepsboconrdispyet.iwoenisght, whereas 25%
E
A
B
2、A single novel category (in this study):
Rating(E)=KLchain(E;c,m,b)
Causal Models and Derived Empirical Statistics
The central question: 在分类决定任务中， 因果关系知识对于特征及特征间联系的重要性所 产生的影响。
下面将论证如何导出特征的可能性以及因果关系 模型所产生的特征间的相互关系，以此来预测类 别成员。 分为两部分： 1、Feature Probabilities 2、Interfeature Correlations
Feature Probabilities
Probability of
Cause features: P(C)/P(F1) Effect features: 函数
Note:
1、Δ 随m的增大而增大，随b的减小而增大。
2、特征间的对比关系在直接相连的因果关系 中表现最强(F1&F2,F2&F3,F3&F4)； 在中间有一个介入量的特征间表现较弱 (F1&F3,F2&F4)； 在中间有两个介入量的特征间表现最弱(F1&F4).
Summary:
总之，因果关系模型理论证明了特 征间的因果关系机制是如何自动影 响特征所占的比重及特征间的关系 类型。
Fb3ody weigAhct.ceSlherriamtepdhsalbeietpuaclylyclfee.ed after
1个描述Fws4l因eaek果pincg关y, cal系neHdwi的gsahhk图rbeimot表dhpFFyr23eowenetaiignmhaet.csca?Aelcdecareyalteerdated sleep cycle
causes a long-lasting fliபைடு நூலகம்ht response.
The duration of the electrical signal to the
▶每个特征的基线比率（mbuascsleesrias tloen)g是er7b5e%cause of the excess amount
• 在 因果关系模型理论中，尽管取值接近充分性和 必要性，但是违背因果关系的样例其产生的可能 性很低。
链状因果关系模型：
F1 m F2 m F3 m F4
C
b
b
b
两个假设
1、特征间的三个因果关系是相互独 立的，且可能性均为m 。
2、导致F2、 F3 、F4 出现的背景原因 是相互独立的，且可能性均为b。
Categorization models: 1、基于表征（representative）的观点【近年来较流行】 2、基于原则加工（processing principles）的观点
解释经验观察影响力的模型：a lot! 解释先前已有知识影响力的模型：relatively little
The purpose of this article:
与因果关系的必要性（Causal necessity） 和充分性(Causal sufficiency)进行比较：
必要性: b=0.即若E出现，则一定是C 引起的， 若E不出现，则C不出现。
充分性: m=1.即若C出现，则E一定 出现， 若C不出现，则E不一定出现。
• 所以说，在因果关系模型中，确定性的因果关系 是一种限制性的案例。
单属性Fff1的alitgih(gstuiernedgs,palHoenni-dgsahetthactimasriufobasuetuinsgttuteshe)oe：tfrmAig8uCg个shecrlsesthteo be
▶因F3果→关系F4
3个因果FsA2h关nriam系ccpe的’lse描srnLaloeet述eneupdgro-csltaelresanteFFntipe1nesagrmctyfuilctirtlgeeehsrcht7haar5iuegvD?%sseheeponsbsofcoonarLrdisamphyekti.eagiwolhVenbiisocgtdhoytr,iwawehSihegrrhiemta. sp2h5a%ve
Natural categories: complex and variable
Novel categories
A 理论 介绍
B 实证 统计
Central claim:
人们的类别知识不仅包括类别特征， 而且包括连接这些特征的因果机制的 表征。
CmE
C
b
A simple causal model with two binary features and one causal relationship
与贝叶斯网络（Bayesian network） 进行比较：
1、贝叶斯定理（Bayes' theorem）是关于随机事件A和 B的条件概率（或边缘概率）的一则定理。
其中P(A|B)是在B发生的情况下A发生的可能性。 通常，事件A在事件B（发生）的条件下的概率，与事 件B在事件A的条件下的概率是不一样的；然而，这两者 是有确定的关系，贝叶斯定理就是这种关系的陈述。
参数C
Pi=Pi-1m+b-Pi-1mb 也即Pi=Pi-1m(1-b)+b
可以看出，有3种因素影响Pi
c,m取值不同 时，链状模型 的特征权重及 特征间关系如 图所示
上图证明了因果关系机制在特征可能 性上的两方面的影响： 1、因果关系机制的出现总能增强效应的可能性。 2、随着原因（cause）特征可能性降低，效果 （effect）特征可能性也降低了。
2、贝叶斯网络是一系列变量的联合概率分布的图形表示。
3、比较： 贝叶斯网络：不能表征网络中直接连接的变量间的因果关系的 更多细节内容。 因果关系模型理论：假设人们认为特征间是由可能性的因果关 系机制相连的。
The second major claim:
人们评估一种样例由类别的因果关系 模型生成的可能性，以此来做出分类 的抉择。
A Causal-Model Theory of Conceptual Representation and Categorization
Bob Rehder New York University
概念表征与分类的因果关系模型
赵珂&王雪
1 引言 2 因果模型理论 3 实验 4 讨论与结论 5 Q&A
提出一种分类理论，该理论可以解释理论知 识的影响效果，尤其是因果关系知识。因果 关系知识可以使得人们掌握的类别特征间相 互联系、相互影响。
类别内特征的表征
Causal-model theory
连结特征的因果机制的表征
Causal-model theory
决定单个特征在 建立类别成员时 的重要性
决定不同的特征 组合在建立类别 成员时的影响
总之，等式Pi=Pi-1m(1-b)+b可推广到任何参数 化的因果关系模型。
Interfeature Correlation
ΔYX=P(Y|X)-P(Y|~X)
(X-cause feature ; Y-effect feature) 对于链状因果模型，公式如下：
Δi,i-1=m(1-b)
c,m取值不同 时，链状模型 的特征权重及 特征间关系如 图所示
3、实验部分 王雪
1Method 2Results 3Discussion
1Materials 2 Procedures 3 Participants
1 Materials
▶ 6个新颖的类别：
两种是生物 Kehoe Ants Lake Victoria Shrimp
两种无生命的自然界的物体 Myastars Meteoric Sodium Carbonate
instead of once F4
?
1 Materials
▶每个特征的基线比率（base rate)是75%
4个二元属性的（binary-attribute)：16个
▶ 48个样例：
Features Descriptions
▶因果关系
单属性F1的(singlHei-gahtatmriobuunttes )o：f A8C个h
(c)[(1-m)(1-b)]
.08
(c)(m+b-mb)
.42
Likelihood Equations for a causal model with two binary features and one causal relationship
注意：对任意取值范围为0~1的c, m, b， P(00)+P(01)+P(10)+P(11)=1
引言&因果模型理论 赵珂
A 作者 介绍
B 理论 发展
Bob Rehder
纽约大学心理学副教授 (NYU University of psychology)
研究方向：Cognition and perception
学习经历： a B.A. in Physics and a B.S. Computer Science from Washington University
16 possible combinations
F1 m F2 m F3 m F4
C
b
b
b
P(0110)=(1-c)(b)(m+b-mb)[(1-m)(1-b)]
计算出各种情况下因果关系模型所产生的可能性， 那么如何应用到分类判断呢？ 这取决于被试所面临的选择任务的性质。
1、Two candidate categories: 卢斯的选择公理（Luce’s choice axiom ） P(A|E)=LA(E)/[LA(E)+LB(E)]
Masters degree in Artificial Intelligence from Stanford University
a Masters and Ph.D. in Cognitive Psychology from the University of Colorado.
Last several decades: 有关分类的研究认为 人们从经验观察中学习新类别
两种人造类别 Romanian Rogos Neptune Personal Computers)
因为很多自然类别的理论 知识经常很复杂并且因人 而异,所以用新颖的类别 进行试验控制
1causal relationships Descriptions
FI →MaF2terials
A high quantity of the ACh neurotransmitter
of neurotransmitter.
F2 → F3
4个二元A属lon性g-的las（tinbg ifnligahrtyr-easpttornisbeuctaeu)s：es 1an6个
▶ 48个样例：
FaecacteulreersateDdesslecreipptcioycnlse. The long-lasting
P缺ro点ba:b忽ilis略tic了c特at征eg权ories: 特重征也随能着由他分们类在者类领别中的 影域响知力识而决变定化的事实 Formal models:特征的权 重受到感知觉特点及其在 类别内外出现频率的影响
Previous research: 当人们 通过与先前观察到的类别 成员对比时才对类别间关 系敏感 Current theories:没有解释 领域知识是如何影响特征 组合在分类时的作用的
CmE
C
b
c: 特征C出现的可能性 m:当C出现时，连接C和E的概率机制成功运行 （即C导致E的出现）的可能性 b:当C不出现时，E出现的可能性
CmE
C
b
Exemplar(E) 00 01 10 11
L(E;c,m,b) L(E;.50,.80,.20)
(1-c)(1-b)
.40
(1-c)(b)
.10