<mark id="oztn4"></mark>
0
作者 | 劉禮
編輯 | 維克多
因果學習作為人工智能領域研究熱點之一，其研究進展與成果也引發了眾多關注。4月9日，在AI TIME青年科學家——AI 2000學者專場論壇上，重慶大學大數據與軟件學院教授劉禮做了《因果學習與應用》的報告。
在報告中，他從辛普森悖論入手，分析了當前機器學習面臨的困難，然后介紹了幾個主流因果框架解決“非獨立同分布”、“結合知識”的思路，以及框架的優缺點，例如他提到：
“目前有兩套主要的因果模型：Pearl的結構因果模型，以及Rubin的潛在結果模型。兩者都可以預測、干預以及回答反事實問題，但對于“發現定理知識”不確定是否可行。潛在結果模型的不同之處在于，可以從數據中學習，但結合現有知識較為困難，結構因果模型則相反，可以結合現有知識，但從數據中學習的能力還亟待進一步檢驗。”
此外，他還結合自己的工作成果，提到了因果框架如何應用于圖像合成、疾病診斷、行為識別等例子，以下是演講原文，AI科技評論做了不改變原意的整理。
今天報告的內容是因果學習及其應用。該領域最著名的一個例子是辛普森悖論：在700例腎病患者中，觀察他們服藥情況，發現服藥男性的治愈率是93%，女性治愈率73%，不服藥的男性治愈率為87%，女性為69%。分男女組別考察，能夠得出”服藥有助于恢復”的結論，但從整體樣本考察，會發現不服藥的治愈率83%高于服藥的治愈率78%。
另外一個辛普森悖論的例子關于房價。10年前，某城市市中心的房價是8000元/平米，共銷售了1000萬平；高新區是4000元/平米，共銷售了100萬平；整體來看，該市7636元/平米；現在，市中心10000元/平米，銷售了200萬平；高新區是6000元/平米，銷售了2000萬平，整體來看，該市6363元/平米。因此，分區來看分別都漲了，但從整體上看，會有疑惑：為什么現在的房價反而跌了？
辛普森悖論雖然不是新提出的，但卻是各領域不可忽視“頑疾”。2019年，新冠爆發時，有學者分國家對病死率進行了統計，如上圖，在各個年齡段，中國的病死率都比意大利高；但整體統計下來，意大利卻反而更高。
這種分組和整體結論不同的情況，也是機器學習模型的困境。例如訓練數據和測試數據不滿足獨立同分布的假設，那么機器學習在分布偏移情況下很難魯棒地學習，在新的場景中很難使用現有的模型。
實際上，目前基于數據驅動的機器學習方法，訓練出的模型都得出的結論大多是變量和變量之間的相關關系，而不是因果關系。例如之前有項研究發現，在某大國暴力犯罪與腌黃瓜消耗密切相關，但這種相關性并不代表因果性。
從因果的角度，辨析腌黃瓜和暴力犯罪之間的關系需要考慮混淆變量。如上圖，混淆變量會同時影響獨立變量和因果變量，從而造成兩者之間的偽相關。如果將傳統統計和因果推斷進行對比，有以下幾個特點：
在90年代，知識驅動的機器學習方法占據主流，基于人類知識，編碼成規則，讓計算機自動在規則之上進行推理。深入思考，其實西方科學的發展史就是因果問題，這套真理體系+推理體系我們從小就在學習：已知1+1=2， 1+2=3，可以推導得出1+1+1=3。
這套體系也有可能出錯，例如牛頓定律在地球上適用，但在宇宙中就失效，從而愛因斯坦提出了相對論。
東方科學發展也有幾千年，也大量地研究過因果關系。
主流數據驅動的機器學習已經非常成功，無論是阿法狗，還是GPT都帶來了驚艷的效果。但有兩個缺點：沒有可解釋性、可控性差。
為了解決上述問題，圖靈獎獲得者朱迪亞·珀爾提出因果關系之梯。如上圖，第一層次是關聯，通過概率表達描述出觀察到的一堆數據。第二層次是干預，不僅是觀察，而且是進行實驗改變，例如如果吃了阿司匹林，我的頭痛會得到治愈嗎？如果我們禁止吸煙將會發生什么？其中，吃藥和禁止吸煙都是干預手段。第三層次是反事實，在既定結果已經發生的情況，假設當初采取另一方案，則會發生什么。反事實不會得到觀察數據，畢竟不存在兩個平行世界，但確實經常遇到的情況，經典的就是人們常說的“如若當初........就不會......”。
在概率空間層面，如何解釋？如上圖，觀察到的數據，形成一個聯合分布概率表達；加入干預之后，每一個操作對應一個概率分布，因此可能解決“獨立同分布”假設帶來的缺陷。
反事實問題目前非常難解決，也有很多例子。黑人被警察控制事件，反事實下，就對應：如若白人被警察控制了，會發生什么？在影視劇中，也常發出如若是另外某個明星參演，票房會有什么變化。這些反事實問題沒辦法驗證，但需要回答。
針對此問題，目前有兩套主要的因果模型：Pearl的結構因果模型；Rubin的潛在結果模型。兩者都可以預測、干預以及回答反事實問題，對于“發現定理知識”目前還不確定是否可行。但潛在結果模型的不同之處在于，可以從數據中學習，但與現有知識相結合比較困難，而結構因果模型則相反，可以結合現有知識，但從數據中學習的能力還亟待進一步檢驗。
目前，因果范式有幾個問題正在解決：因果發現、因果推理。
因果發現需要基于已有的數據找出變量和變量之間的因果關系。目前有兩套主流的方法：基于約束以及基于評分的。這兩套方法不去詳細講述。但存在的問題是：隨著變量的增多，需要檢驗因果圖就會達到天文數字。因此，如何利用機器學習方法反過來提升因果發現，是目前流行的問題。
在機器學習領域中，Pearl的方法本質是基于結構方程，主流方向是用它進行因果解耦。同時，也有一些非因果的方法，例如在SVM空間中進行超平面切分。
在因果推理層面，Pearl提出了do算子，在因果圖上給出了一系列定理和假設，用傳統的概率表達形式進行操作，這就讓“因果”變得可計算。Pearl同樣給出了反事實計算框架，其最重要的是“孿生網絡”，包含一個真實世界，以及一個反事實世界。Pearl這套理論其實也存在缺點，即假設因果圖是存在的，并需要包含一些先驗知識，例如方程的結構是線性還是非線性的。
因果效應評估，就是在有一堆觀察變量以及未觀察變量的情況下，如何評估出變量X對變量Y的因果效應有多大。目前主流方法包括傾向得分、工具變量等等。
目前的圖像自動生成很多都是以條件為主的，例如給定標簽的控制、圖像的控制、文字的控制，考慮如何基于已有的觀察數據進行訓練模型、進行生成。
與基于條件的生成方法不同，基于潛在變量數據的方法目的在于解決“某些變量無法直接被觀察”的困境。
因果干預圖像合成方法，是對相應的變量進行解耦，即觀察變量變化如何導致結果變化，該方法能夠精準控制圖像的某一部分合成。
此外，因果方法在醫療領域有很多應用。基于結構函數的因果模型，設計因果發現框架，試圖超越分子與分子之間的關聯性，找出其因果性。具體操作分成兩步：第一步發現變量和變量之間，包括潛變量之間的因果圖；第二步基于因果圖，確定明確的結構函數關系。
目前，我們開發出基于貝葉斯圖學習因果模型，超越了傳統學習函數步驟，使用因果圖進行描述關系，也是分為兩步：第一步邊定向，需要滿足馬爾科夫等價條件，使得因果效應最大化；第二步是因果效應評估。目前，該方法已經應用在最具代表性腫瘤特征選擇這一課題上。
最后一個應用是人體行為識別。人體識別多是采用傳感器和視頻流的方式進行，會有前后的因果關系。因此，可以用格蘭杰因果方法解決時序因果中的問題。
最后推薦幾本書，《WHY》、《Causal Inference in Statistics》、《Causality》、《Elements of Causal Inference》、《What If》 都非常棒。其中，《Causality》目前，我們歷經3年時間已經翻譯成了中文，即將出版，請大家期待。
雷峰網(公眾號：雷峰網)雷峰網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
