前沿研究：因果推理学术资讯

来源：中国工程院院刊

本文选自中国工程院院刊《Engineering》2020年第3期作者：况琨，李廉，耿直，徐雷，张坤，廖备水，黄华新，丁鹏，苗旺，智超来源：Causal Inference[J].Engineering,2020,6(3):253-263.

导语

因果性是科学中的一个基本的概念，它在提供解释、预测，以及决策和控制中扮演重要角色。因果推理能够 “由果溯因”，实现“知其然，且知所以然”，是通向可解释人工智能的关键。因果推理是解释性分析的强大建模工具，它可使当前的机器学习变得可解释。如何将因果推理与机器学习相结合，开发可解释人工智能（XAI）算法，是迈向人工智能2.0的关键步骤之一。中国工程院院刊《Engineering》刊发《因果推理》一文，将因果推理的知识带入机器学习和人工智能领域，从多个学科和多个角度介绍了各种因果推理模型和方法：包括因果效应评估，反事实推理，因果发现，工具变量，复杂试验，阴性对照，因果势理图，辛普森悖论，形式辩论，因果干扰等。视频介绍丨因果推理视频来源：况琨人类并不总是从概率角度来思维，而是从因果效应角度进行思考。哲学上把现象和现象之间的“引起和被引起”的关系，叫做因果关系，其中引起某种现象产生的现象叫做原因，被某种现象引起的现象叫做结果。因果性是科学中的一个基本的概念，它在提供解释、预测，以及决策和控制中扮演重要角色。因果推理能够 “由果溯因”，实现“知其然，且知所以然”，是通向可解释人工智能的关键。然而，在观测数据中，事物间本质的因果关系往往被表象的数据关联所掩盖。为了从大数据中挖掘因果关系，由事物之果回溯其产生之因是当前研究热点。《因果推理》一文从多个学科和多个角度介绍了各种因果推理模型和方法：包括因果效应评估，反事实推理，因果发现，工具变量，复杂试验，阴性对照，因果势理图，辛普森悖论，形式辩论，因果干扰等。文章具体内容如下：况琨博士介绍了在观测数据中如何利用潜在结果模型评估因果效应，并提出利用因果推理技术指导机器学习，实现稳定可解释的人工智能。李廉教授讨论了因果反事实推理中的归因问题。耿直教授从Yule-Simpson悖论和替代指标悖论出发，通过比较相关性推断和因果推断的区别，强调了数据获取方法和实验设计的重要性，突出了因果推断的重要性。从物理学角度出发，徐雷教授认为因果关系可被视为有某种势能引起的内在动力学性质，并提出因果势理论从观测数据中发现和分析因果结构。张坤教授重点介绍了一系列因果发现方法，通过分析被动的观测数据发现被数据掩盖的因果关系。廖备水教授和黄华新教授概述了形式辩论，即过构造论证、比较论证和评估论证来实现推理，并重点阐述了形式辩论在因果推理和可解释中发挥的重要作用。丁鹏教授介绍了基于复杂试验的因果推断，包括随机因子试验，协变量在分析实验数据中的作用和协变量在实验设计中的作用。苗旺教授介绍了在观察性研究中，如何利用工具变量和阴性对照等方法解决混杂因素等问题，有效地提升因果作用的识别性。为了突破因果推理中个体处理稳定性假设，蒋智超博士提出了面向干扰的因果推断，介绍了如何根据干扰的结构去设计试验并估计因果作用。图：因果推理：从大数据中发现因和果改编：况琨注：本文内容呈现略有调整，若需可查看原文。改编原文：Kun Kuang, Lian Li, Zhi Geng, Lei Xu, Kun Zhang, Beishui Liao, Huaxin Huang, Peng Ding, Wang Miao, Zhichao Jiang.Causal Inference[J].Engineering,2020,6(3):253-263.