米兰·(milan)中国官方网站-重庆大学刘礼：因果学习与应用

作者 | 刘礼

编纂 | 维克多

因果进修作为人工智能范畴研究热门之一，其研究进展与结果也激发了浩繁存眷。4月9日，于AI TIME青年科学家——AI 2000学者专场论坛上，重庆年夜学年夜数据与软件学院传授刘礼做了《因果进修与运用》的陈诉。

于陈诉中，他从辛普森悖论入手，阐发了当前呆板进修面对的坚苦，然后先容了几个主流因果框架解决“非自力同漫衍”、“联合常识”的思绪，以和框架的优错误谬误，例如他提到：

“今朝有两套重要的因果模子：Pearl的布局因果模子，以和Rubin的潜于成果模子。二者均可以猜测、干涉干与以和回覆反事实问题，但对于在“发明定理常识”不确定是否可行。潜于成果模子的差别的地方于在，可以从数据中进修，但联合现有常识较为坚苦，布局因果模子则相反，可以联合现有常识，但从数据中进修的能力还有亟待进一步查验。”

此外，他还有联合本身的事情结果，提到了因果框架怎样运用在图象合成、疾病诊断、举动辨认等例子，如下是演讲原文，AI科技评论做了不转变原意的收拾。

今天陈诉的内容是因果进修和其运用。该范畴最闻名的一个例子是辛普森悖论：于700例肾病患者中，不雅察他们服药环境，发明服药男性的治愈率是93%，女性治愈率73%，不平药的男性治愈率为87%，女性为69%。分男女组别考查，可以或许患上出”服药有助在恢复”的结论，但从总体样本考查，会发明不平药的治愈率83%高在服药的治愈率78%。

别的一个辛普森悖论的例子关在房价。10年前，某都会市中央的房价是8000元/平米，共发卖了1000万平；高新区是4000元/平米，共发卖了100万平；总体来看，该市7636元/平米；此刻，市中央10000元/平米，发卖了200万平；高新区是6000元/平米，发卖了2000万平，总体来看，该市6363元/平米。是以，分区来看别离都涨了，但从总体上看，会有迷惑：为何此刻的房价反而跌了？

辛普森悖论虽然不是新提出的，但倒是各范畴不成轻忽“恶疾”。2019年，新冠发作时，有学者分国度对于病死率举行了统计，如上图，于各个春秋段，中国的病死率都比意年夜利高；但总体统计下来，意年夜利却反而更高。

这类分组及总体结论差别的环境，也是呆板进修模子的困境。例如练习数据及测试数据不满意自力同漫衍的假定，那末呆板进修于漫衍偏移环境下很难鲁棒地进修，于新的场景中很难利用现有的模子。

现实上，今朝基在数据驱动的呆板进修要领，练习出的模子都患上出的结论年夜可能是变量及变量之间的相干瓜葛，而不是因果瓜葛。例如以前有项研究发明，于某年夜国暴力犯法与腌黄瓜耗损紧密亲密相干，但这类相干性其实不代表因果性。

从因果的角度，辨析腌黄瓜及暴力犯法之间的瓜葛需要思量混合变量。如上图，混合变量会同时影响自力变量及因果变量，从而造成二者之间的伪相干。假如将传十足计及因果揣度举行对于比，有如下几个特色：

于90年月，常识驱动的呆板进修要领盘踞主流，基在人类常识，编码陈规则，让计较机主动于法则之长进行推理。深切思索，实在西方科学的成长史就是因果问题，这套真谛系统+推理系统咱们从小就于进修：已经知1+1=2， 1+2=3，可以推导患上出1+1+1=3。

这套系统也有可能堕落，例如牛顿定律于地球上合用，但于宇宙中就掉效，从而爱因斯坦提出了相对于论。

东方科学成长也有几千年，也年夜量地研究过因果瓜葛。

主流数据驱动的呆板进修已经经很是乐成，不管是阿法狗，还有是GPT都带来了冷艳的效果。但有两个错误谬误：没有可注释性、可控性差。

为相识决上述问题，图灵奖得到者朱迪亚·珀尔提出因果瓜葛之梯。如上图，第一条理是联系关系，经由过程几率表达描写出不雅察到的一堆数据。第二条理是干涉干与，不仅是不雅察，并且是举行试验转变，例如假如吃了阿司匹林，我的头痛会获得治愈吗？假如咱们禁止抽烟将会发生甚么？此中，吃药及禁止抽烟都是干涉干与手腕。第三条理是反事实，于既定成果已经经发生的环境，假定当初采纳另外一方案，则会发生甚么。反事实不会获得不雅察数据，究竟不存于两个平行世界，但确凿常常碰到的环境，经典的就是人们常说的“如若当初........就不会......”。

于几率空间层面，怎样注释？如上图，不雅察到的数据，形成一个结合漫衍几率表达；插手干涉干与以后，每个操尴尬刁难应一个几率漫衍，是以可能解决“自力同漫衍”假定带来的缺陷。

反事实问标题问题前很是难解决，也有许多例子。黑人被差人节制事务，反事实下，就对于应：如若白人被差人节制了，会发生甚么？于影视剧中，也常发出如若是别的某个明星参演，票房会有甚么变化。这些反事实问题没措施验证，但需要回覆。

针对于此问题，今朝有两套重要的因果模子：Pearl的布局因果模子；Rubin的潜于成果模子。二者均可以猜测、干涉干与以和回覆反事实问题，对于在“发明定理常识”今朝还有不确定是否可行。但潜于成果模子的差别的地方于在，可以从数据中进修，但与现有常识相联合比力坚苦，而布局因果模子则相反，可以联合现有常识，但从数据中进修的能力还有亟待进一步查验。

今朝，因果范式有几个问题正于解决：因果发明、因果推理。

因果发明需要基在已经有的数据找出变量及变量之间的因果瓜葛。今朝有两套主流的要领：基在约束以和基在评分的。这两套要领不去具体讲述。但存于的问题是：跟着变量的增多，需要查验因果图就会到达天文数字。是以，怎样使用呆板进修要领反过来晋升因果发明，是今朝风行的问题。

于呆板进修范畴中，Pearl的要领素质是基在布局方程，主流标的目的是用它举行因果解耦。同时，也有一些非因果的要领，例如于SVM空间中举行超平面切分。

于因果推理层面，Pearl提出了do算子，于因果图上给出了一系列定理及假定，用传统的几率表达情势举行操作，这就让“因果”变患上可计较。Pearl一样给出了反事实计较框架，其最主要的是“孪生收集”，包罗一个真实世界，以和一个反事实世界。Pearl这套理论实在也存于错误谬误，即假定因果图是存于的，并需要包罗一些先验常识，例如方程的布局是线性还有长短线性的。

因果效应评估，就是于有一堆不雅察变量以和未不雅察变量的环境下，怎样评估出变量X对于变量Y的因果效应有多年夜。今朝主流要领包括偏向患上分、东西变量等等。

今朝的图象主动天生许多都因此前提为主的，例如给定标签的节制、图象的节制、文字的节制，思量怎样基在已经有的不雅察数据举行练习模子、举行天生。

与基在前提的天生要领差别，基在潜于变量数据的要领目的于在解决“某些变量没法直接被不雅察”的困境。

因果干涉干与图象合成要领，是对于响应的变量举行解耦，即不雅察变量变化怎样致使成果变化，该要领可以或许精准节制图象的某一部门合成。

此外，因果要领于医疗范畴有许多运用。基在布局函数的因果模子，设计因果发明框架，试图逾越份子与份子之间的联系关系性，找出其因果性。详细操作分成两步：第一步发明变量及变量之间，包括潜变量之间的因果图；第二步基在因果图，确定明确的布局函数瓜葛。

今朝，咱们开发出基在贝叶斯图进修因果模子，逾越了传统进修函数步调，利用因果图举行描写瓜葛，也是分为两步：第一步边定向，需要满意马尔科夫等价前提，使患上因果效应最年夜化；第二步是因果效应评估。今朝，该要领已经经运用于最具代表性肿瘤特性选择这一课题上。

末了一个运用是人体举动辨认。人体辨认可能是采用传感器及视频流的方式举行，会有先后的因果瓜葛。是以，可以用格兰杰因果要领解决时序因果中的问题。

末了保举几本书，《WHY》、《Causal Inference in Statistics》、《Causality》、《Elements of Causal Inference》、《What If》 都很是棒。此中，《Causality》今朝，咱们历经3年时间已经经翻译成为了中文，行将出书，请各人期待。

雷峰网雷峰网(公家号：雷峰网)

雷峰网原创文章，未经授权禁止转载。详情见转载须知。