拜博网站建设,php网站建设管理教材,深圳移动网站建设,莱芜网站来源#xff1a;AI科技评论作者#xff1a;刘礼编辑#xff1a;维克多因果学习作为人工智能领域研究热点之一#xff0c;其研究进展与成果也引发了众多关注。4月9日#xff0c;在AI TIME青年科学家——AI 2000学者专场论坛上#xff0c;重庆大学大数据与软件学院教授刘礼… 来源AI科技评论作者刘礼编辑维克多因果学习作为人工智能领域研究热点之一其研究进展与成果也引发了众多关注。4月9日在AI TIME青年科学家——AI 2000学者专场论坛上重庆大学大数据与软件学院教授刘礼做了《因果学习与应用》的报告。在报告中他从辛普森悖论入手分析了当前机器学习面临的困难然后介绍了几个主流因果框架解决“非独立同分布”、“结合知识”的思路以及框架的优缺点例如他提到“目前有两套主要的因果模型Pearl的结构因果模型以及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但对于“发现定理知识”不确定是否可行。潜在结果模型的不同之处在于可以从数据中学习但结合现有知识较为困难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。”此外他还结合自己的工作成果提到了因果框架如何应用于图像合成、疾病诊断、行为识别等例子以下是演讲原文AI科技评论做了不改变原意的整理。今天报告的内容是因果学习及其应用。该领域最著名的一个例子是辛普森悖论在700例肾病患者中观察他们服药情况发现服药男性的治愈率是93%女性治愈率73%不服药的男性治愈率为87%女性为69%。分男女组别考察能够得出”服药有助于恢复”的结论但从整体样本考察会发现不服药的治愈率83%高于服药的治愈率78%。另外一个辛普森悖论的例子关于房价。10年前某城市市中心的房价是8000元/平米共销售了1000万平高新区是4000元/平米共销售了100万平整体来看该市7636元/平米现在市中心10000元/平米销售了200万平高新区是6000元/平米销售了2000万平整体来看该市6363元/平米。因此分区来看分别都涨了但从整体上看会有疑惑为什么现在的房价反而跌了辛普森悖论虽然不是新提出的但却是各领域不可忽视“顽疾”。2019年新冠爆发时有学者分国家对病死率进行了统计如上图在各个年龄段中国的病死率都比意大利高但整体统计下来意大利却反而更高。这种分组和整体结论不同的情况也是机器学习模型的困境。例如训练数据和测试数据不满足独立同分布的假设那么机器学习在分布偏移情况下很难鲁棒地学习在新的场景中很难使用现有的模型。实际上目前基于数据驱动的机器学习方法训练出的模型都得出的结论大多是变量和变量之间的相关关系而不是因果关系。例如之前有项研究发现在某大国暴力犯罪与腌黄瓜消耗密切相关但这种相关性并不代表因果性。从因果的角度辨析腌黄瓜和暴力犯罪之间的关系需要考虑混淆变量。如上图混淆变量会同时影响独立变量和因果变量从而造成两者之间的伪相关。如果将传统统计和因果推断进行对比有以下几个特点在90年代知识驱动的机器学习方法占据主流基于人类知识编码成规则让计算机自动在规则之上进行推理。深入思考其实西方科学的发展史就是因果问题这套真理体系推理体系我们从小就在学习已知112 123可以推导得出1113。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。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......”。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。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。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。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。因果效应评估就是在有一堆观察变量以及未观察变量的情况下如何评估出变量X对变量Y的因果效应有多大。目前主流方法包括倾向得分、工具变量等等。2应用例举因果框架符合现实假设目前的图像自动生成很多都是以条件为主的例如给定标签的控制、图像的控制、文字的控制考虑如何基于已有的观察数据进行训练模型、进行生成。与基于条件的生成方法不同基于潜在变量数据的方法目的在于解决“某些变量无法直接被观察”的困境。因果干预图像合成方法是对相应的变量进行解耦即观察变量变化如何导致结果变化该方法能够精准控制图像的某一部分合成。此外因果方法在医疗领域有很多应用。基于结构函数的因果模型设计因果发现框架试图超越分子与分子之间的关联性找出其因果性。具体操作分成两步第一步发现变量和变量之间包括潜变量之间的因果图第二步基于因果图确定明确的结构函数关系。目前我们开发出基于贝叶斯图学习因果模型超越了传统学习函数步骤使用因果图进行描述关系也是分为两步第一步边定向需要满足马尔科夫等价条件使得因果效应最大化第二步是因果效应评估。目前该方法已经应用在最具代表性肿瘤特征选择这一课题上。最后一个应用是人体行为识别。人体识别多是采用传感器和视频流的方式进行会有前后的因果关系。因此可以用格兰杰因果方法解决时序因果中的问题。最后推荐几本书《WHY》、《Causal Inference in Statistics》、《Causality》、《Elements of Causal Inference》、《What If》 都非常棒。其中《Causality》目前我们历经3年时间已经翻译成了中文即将出版请大家期待。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
