DeepMind 最新論文解讀：首次提出離散概率樹中的因果推理算法

當(dāng)前，一些前沿AI研究人員正在尋找用于表示上下文特定的因果依賴關(guān)系清晰的語義模型，這是因果歸納所必需的，在 DeepMind的算法中可看到這種概率樹模型。

概率樹圖用于表示概率空間，樹形圖可說明一系列的獨(dú)立事件或者條件概率。 

概率樹圖上的節(jié)點(diǎn)表示一個(gè)事件及其概率，根節(jié)點(diǎn)表示概率等于1的特定事件，同級(jí)節(jié)點(diǎn)集表示父事件（the parent event.）中詳盡的劃分。

概率（導(dǎo)致特定節(jié)點(diǎn)發(fā)生的一系列事件）=概率（該節(jié)點(diǎn)）*概率（父節(jié)點(diǎn)）。

概率樹已存在數(shù)十年，但一直都未受到ML和AI愛好者的過多關(guān)注。

新的DeepMind論文 《概率樹中的因果推理算法》中寫道，“概率樹是因果生成過程的最簡單模型之一?！?據(jù)作者稱，上述算法是第一種針對(duì)離散概率樹中的因果推理提出的具體算法。

認(rèn)知領(lǐng)域的科學(xué)家稱，人類自然地從觀察中得出因果關(guān)系來學(xué)習(xí)推理，且很有成效。盡管觀察數(shù)據(jù)有限且稀少，但人們可以快速地了解因果結(jié)構(gòu)，例如通過觀察因果之間的共現(xiàn)頻率以及物理對(duì)象之間的相互作用等。

因果歸納是機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)中的經(jīng)典問題。 因果貝葉斯網(wǎng)絡(luò)（CBN）等模型可以描述因果歸納中的因果依存關(guān)系，但是無法表示特定于上下文間的獨(dú)立性。

據(jù)DeepMind團(tuán)隊(duì)表示， DeepMind涵蓋了整個(gè)因果層次結(jié)構(gòu)和隨機(jī)命題、因果事件上的操作，并將因果推理進(jìn)一步擴(kuò)展為“非常通用的離散隨機(jī)過程類”。

 DeepMind團(tuán)隊(duì)的研究重點(diǎn)是有限概率樹，并得出了以下具體算法：

計(jì)算以下方式形成任意事件的最小表示形式：

·  命題演算（Propositional calculus）

·  因果先例（Causal precedences）

計(jì)算以下三個(gè)因果層次結(jié)構(gòu)的基本操作 ：

·  條件

·  干預(yù)措施

·  反事實(shí)

原文鏈接：

https://www.marktechpost.com/2020/10/30/deepmind-research-introduces-algorithms-for-causal-reasoning-in-probability-trees/

資料來源： 

https://syncedreview.com/2020/10/29/deepmind-introduces-algorithms-for-causal-reasoning-in-probability-trees/

論文：

https : //arxiv.org/pdf/2010.12237.pdf

GitHub：

https://github.com/deepmind/deepmindresearch/tree/master/causal_reasoning