重庆大学刘礼：因果学习与应用( 二 ) 作者|刘礼编辑|维克多因果学习

这套体系也有可能出错，例如牛顿定律在地球上适用，但在宇宙中就失效，从而爱因斯坦提出了相对论。
东方科学发展也有几千年，也大量地研究过因果关系。
1
超越数据驱动，迈向可解释性
主流数据驱动的机器学习已经非常成功，无论是阿法狗，还是GPT都带来了惊艳的效果。但有两个缺点：没有可解释性、可控性差。

文章图片
为了解决上述问题，图灵奖获得者朱迪亚·珀尔提出因果关系之梯。如上图，第一层次是关联，通过概率表达描述出观察到的一堆数据。第二层次是干预，不仅是观察，而且是进行实验改变，例如如果吃了阿司匹林，我的头痛会得到治愈吗？如果我们禁止吸烟将会发生什么？其中，吃药和禁止吸烟都是干预手段。第三层次是反事实，在既定结果已经发生的情况，假设当初采取另一方案，则会发生什么。反事实不会得到观察数据，毕竟不存在两个平行世界，但确实经常遇到的情况，经典的就是人们常说的“如若当初........就不会......” 。

文章图片
在概率空间层面，如何解释？如上图，观察到的数据，形成一个联合分布概率表达；加入干预之后，每一个操作对应一个概率分布，因此可能解决“独立同分布”假设带来的缺陷。

文章图片
反事实问题目前非常难解决，也有很多例子。黑人被警察控制事件，反事实下，就对应：如若白人被警察控制了，会发生什么？在影视剧中，也常发出如若是另外某个明星参演，票房会有什么变化。这些反事实问题没办法验证，但需要回答。

文章图片
针对此问题，目前有两套主要的因果模型：Pearl的结构因果模型；Rubin的潜在结果模型。两者都可以预测、干预以及回答反事实问题，对于“发现定理知识”目前还不确定是否可行。但潜在结果模型的不同之处在于，可以从数据中学习，但与现有知识相结合比较困难，而结构因果模型则相反，可以结合现有知识，但从数据中学习的能力还亟待进一步检验。
目前，因果范式有几个问题正在解决：因果发现、因果推理。
因果发现需要基于已有的数据找出变量和变量之间的因果关系。目前有两套主流的方法：基于约束以及基于评分的。这两套方法不去详细讲述。但存在的问题是：随着变量的增多，需要检验因果图就会达到天文数字。因此，如何利用机器学习方法反过来提升因果发现，是目前流行的问题。
在机器学习领域中， Pearl的方法本质是基于结构方程，主流方向是用它进行因果解耦。同时，也有一些非因果的方法，例如在SVM空间中进行超平面切分。

文章图片
在因果推理层面， Pearl提出了do算子，在因果图上给出了一系列定理和假设，用传统的概率表达形式进行操作，这就让“因果”变得可计算。 Pearl同样给出了反事实计算框架，其最重要的是“孪生网络” ，包含一个真实世界，以及一个反事实世界。 Pearl这套理论其实也存在缺点，即假设因果图是存在的，并需要包含一些先验知识，例如方程的结构是线性还是非线性的。