深心 Research引入了概率树中因果推理的算法

0
2703
资源: //arxiv.org/pdf/2010.12237.pdf

对于正在寻找简洁语义模型来表示因果归纳必不可少的特定于上下文的因果依赖关系的前沿AI研究人员,  这个  深心’s algorithm 鼓励您查看优质的老式概率树。

 概率树图 用于表示概率空间。树形图说明了一系列独立的事件或条件概率。 

概率树图上的Node代表一个事件,’的概率。根节点表示概率等于1的特定事件。同级节点集表示父事件的穷举和排他分区。

广告 Coursera Plus标语,包含约翰·霍普金斯大学,谷歌和密歇根大学的课程,突出显示数据科学职业发展的内容

概率(导致特定节点的一系列事件将发生)=概率(该节点)*概率(父节点)。

概率树已经存在了数十年,但它们并未受到ML和AI爱好者的关注。根据新的DeepMind论文 概率树中的因果推理算法, “概率树是因果生成过程的最简单模型之一。”根据作者的说法,以上是第一种提出离散概率树中因果推理的具体算法的方法。

//arxiv.org/pdf/2010.12237.pdf
//arxiv.org/pdf/2010.12237.pdf

人们自然地通过从观察中得出因果关系来学习推理,据认知科学家称,我们做得很好。即使数据稀少且有限,人类也可以快速了解因果结构(例如观察因果之间的共现频率,物理对象之间的相互作用等)。

因果归纳是机器学习和统计学中的经典问题。 因果贝叶斯网络(CBN)等模型可以描述因果归纳的因果依存关系。但是CBN无法代表特定于上下文的独立性。根据DeepMind团队的说法,这些算法涵盖了整个因果层次结构,并且对随机的命题和因果事件进行操作,从而将因果推理扩展为“一类非常普通的离散随机过程。”

将研究重点放在 有限概率树 DeepMind团队针对以下方面产生了具体的算法:

  • 计算通过以下方式形成的任意事件的最小表示形式:
    • 命题演算
    • 因果优先
  • 计算因果层次结构的以下三个基本操作 
    •  Conditions
    •  Interventions
    •  Counterfactuals

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

纸: //arxiv.org/pdf/2010.12237.pdf

Github: //github.com/deepmind/deepmind-research/tree/master/causal_reasoning

广告

发表评论

请输入您的评论!
请在这里输入您的名字

该网站使用Akismet减少垃圾邮件。 了解如何处理您的评论数据.