Causal discovery can determine the

Causal discovery can determine the causal rela-tionship between input and output features on available data andperform an accurate analysis of input and output features. Also selectingthe input features of the model based on the strength of the causalrelationship can improve the efficiency of the model calculation andavoid the influence of interfering factors on the prediction results. Dueto the rise of big data, the data collected from various fields arebecoming increasingly complex, and inputting all the data into themodel for calculation will waste a lot of time and have poor interpret-ability. Therefore, causal AI based on causal discovery is graduallyemerging in various fields. For example, Luo et al. [32] analyzed thefactors influencing flight safety through causal discovery and concludedthat unreasonable scheduling of flight support personnel was a signifi-cant cause of flight delays. Zhang et al. [33] utilized Rubin’s potentialoutcome framework to perform the causal inference and developed fourindicators for the influence of disruptions on travel demand, averagetravel speed, and passenger flow distribution to analyze the vulnera-bility of the metro system. Kotoku et al. [34] adopted Direct-LiNGAM tofind causal relationships among health indicators for age groups andgender.

ผลลัพธ์ (ไทย) 1:

การค้นพบเชิงสาเหตุสามารถกำหนดความสัมพันธ์เชิงสาเหตุระหว่างคุณลักษณะอินพุตและเอาต์พุตในข้อมูลที่มีอยู่ และดำเนินการวิเคราะห์คุณลักษณะอินพุตและเอาต์พุตได้อย่างแม่นยำ นอกจากนี้ การเลือกคุณลักษณะอินพุตของแบบจำลองตามความแข็งแกร่งของความสัมพันธ์เชิงสาเหตุสามารถปรับปรุงประสิทธิภาพของการคำนวณแบบจำลอง และหลีกเลี่ยงอิทธิพลของปัจจัยที่รบกวนต่อผลลัพธ์การทำนาย เนื่องจากการเพิ่มขึ้นของข้อมูลขนาดใหญ่ ข้อมูลที่รวบรวมจากสาขาต่างๆ มีความซับซ้อนมากขึ้น และการป้อนข้อมูลทั้งหมดลงในแบบจำลองสำหรับการคำนวณจะเสียเวลามากและมีความสามารถ ในการตีความที่ไม่ดี ดังนั้น AI เชิงสาเหตุซึ่งอิงจากการค้นพบเชิงสาเหตุจึงค่อยๆปรากฏในสาขาต่างๆ ตัวอย่างเช่น Luo และคณะ [32] วิเคราะห์ปัจจัยที่มีอิทธิพลต่อความปลอดภัยในการบินผ่านการค้นพบสาเหตุ และสรุปว่าการจัดตารางเวลาที่ไม่สมเหตุสมผลของเจ้าหน้าที่สนับสนุนการบินเป็นสาเหตุสำคัญของความล่าช้าของเที่ยวบิน จางและคณะ [33] ใช้กรอบผลลัพธ์ที่เป็นไปได้ของ Rubin เพื่อดำเนินการอนุมานเชิงสาเหตุ และพัฒนาตัวบ่งชี้สี่ตัวสำหรับอิทธิพลของการหยุดชะงักต่อความต้องการในการเดินทางความเร็วในการเดินทางโดยเฉลี่ย และการกระจายการไหลของผู้โดยสาร เพื่อวิเคราะห์ช่องโหว่ของระบบรถไฟใต้ดิน โคโตกุ และคณะ [34] นำ Direct-LiNGAM มาใช้เพื่อค้นหาความสัมพันธ์เชิงสาเหตุระหว่างตัวชี้วัดสุขภาพสำหรับกลุ่มอายุและเพศ

ผลลัพธ์ (ไทย) 2:

การค้นพบเหตุและผลสามารถระบุเหตุและผลได้ -
ความสัมพันธ์ระหว่างลักษณะอินพุตและเอาต์พุตของข้อมูลที่มีอยู่
ทำการวิเคราะห์ที่แม่นยำของลักษณะอินพุตและเอาต์พุต เลือกพร้อมกัน
ลักษณะการป้อนข้อมูลแบบจำลองขึ้นอยู่กับความแข็งแรงของเหตุและผล
ความสัมพันธ์สามารถปรับปรุงประสิทธิภาพของการคำนวณแบบจำลอง
หลีกเลี่ยงอิทธิพลของปัจจัยรบกวนต่อผลการคาดการณ์ เนื่องจาก
ด้วยการเพิ่มขึ้นของ Big Data ข้อมูลที่รวบรวมจากทุกพื้นที่
มีความซับซ้อนมากขึ้นและป้อนข้อมูลทั้งหมด
รูปแบบที่ใช้ในการคำนวณจะเสียเวลามากและอธิบายไม่ดี -
ความสามารถ ดังนั้น AI เชิงสาเหตุจากการค้นพบเชิงสาเหตุจะค่อยๆ
ปรากฏอยู่ในพื้นที่ต่างๆ ตัวอย่างเช่น Luo et al.[32] วิเคราะห์
ผ่านการค้นหาและสรุปปัจจัยที่มีผลต่อความปลอดภัยในการบินโดยเหตุและผล
การจัดการที่ไม่สมเหตุสมผลของเจ้าหน้าที่รักษาความปลอดภัยการบินคือ -
ต้องไม่ทำให้เที่ยวบินล่าช้า Zhang et al. [33] ใช้ประโยชน์จากศักยภาพของรูบิน
กรอบผลลัพธ์ในการดำเนินการเหตุและผล

ผลลัพธ์ (ไทย) 3:

การค้นพบสาเหตุสามารถกําหนดความสัมพันธ์เชิงสาเหตุได้
ความสัมพันธ์ระหว่างคุณลักษณะอินพุตและเอาต์พุตของข้อมูลที่มีอยู่
การวิเคราะห์องค์ประกอบอินพุตและเอาต์พุตอย่างถูกต้อง และทางเลือก
ลักษณะการป้อนข้อมูลของแบบจําลองขึ้นอยู่กับความเข้มของสาเหตุ
ความสัมพันธ์สามารถปรับปรุงประสิทธิภาพของการคํานวณแบบจําลอง
หลีกเลี่ยงผลกระทบของปัจจัยรบกวนต่อผลการคาดการณ์ เพราะว่า
การเพิ่มขึ้นของข้อมูลขนาดใหญ่ข้อมูลที่เก็บรวบรวมจากทุกสาขา
มีความซับซ้อนมากขึ้นและป้อนข้อมูลทั้งหมดลงใน
แบบจําลองที่ใช้ในการคํานวณจะเสียเวลามากและมีความสามารถในการตีความที่ไม่ดี-
ความสามารถ. ดังนั้นปัญญาประดิษฐ์เชิงสาเหตุขึ้นอยู่กับการค้นพบสาเหตุจะค่อยๆถูกนํามาใช้
ในทุกสาขาวิชา ยกตัวอย่างเช่นโรมาและอื่นๆ[ 32 ]วิเคราะห์
ผ่านการค้นพบสาเหตุและการสรุปปัจจัยที่มีผลต่อความปลอดภัยในการบิน
การเตรียมการที่ไม่สมเหตุสมผลสําหรับเจ้าหน้าที่รักษาความปลอดภัยการบินเป็นเรื่องสําคัญ
เหตุผลสําหรับเที่ยวบินล่าช้า Zhang et al [33]ใช้ศักยภาพของรูบิน
กรอบผลลัพธ์เพื่อดําเนินการให้เหตุผลเชิงสาเหตุและพัฒนาสี่
การหยุดชะงักของการจราจรมีผลต่อความต้องการในการเดินทางค่าเฉลี่ย
ความเร็วในการเดินทางและการกระจายการไหลของผู้โดยสารเพื่อวิเคราะห์ความเปราะบาง
ความเป็นไปได้ของระบบรถไฟใต้ดิน Kotoku et al. [ 34 ] ใช้ direct - liNGAM
ค้นหาความสัมพันธ์เชิงสาเหตุระหว่างดัชนีสุขภาพของแต่ละกลุ่มอายุ
เพศ.