محققان در مطالعهای جدید، روشی نوآورانه برای «استنتاج علّی» (Causal Inference) در دادههای ترتیبی و مشاهدهای ارائه کردهاند. این روش که از مدلهای ریاضی Ising برای درک وابستگیهای متقابل در طول زمان استفاده میکند، به مدل اجازه میدهد تأثیرات درمانها یا رویدادها را در حضور متغیرهای پنهان (Latent Confounders) به دقت تخمین بزند.
این مدل که با موفقیت روی دادههای واقعی مثل «تأثیر نرخ واکسیناسیون بر مرگومیر کرونا» آزمایش شده، گامی مهم در درک بهتر روابط علتومعلولی در سیستمهای پیچیده است که میتواند کاربردهای گستردهای در علوم پزشکی و اجتماعی داشته باشد. 💡
ّی
منبع: arXiv Machine Learning