翻译 | 高卫华
出品 | AI科技大本营
头图 | CSDN付费下载自视觉中国
当前，一些前沿AI研究人员正在寻找用于表示上下文特定的因果依赖关系清晰的语义模型，这是因果归纳所必需的，在 DeepMind的算法中可看到这种概率树模型。
概率树图用于表示概率空间，树形图可说明一系列的独立事件或者条件概率。
概率树图上的节点表示一个事件及其概率，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（the parent event.）中详尽的划分。
概率（导致特定节点发生的一系列事件）=概率（该节点）*概率（父节点）。
概率树已存在数十年，但一直都未受到ML和AI爱好者的过多关注。
新的DeepMind论文 《概率树中的因果推理算法》中写道，“概率树是因果生成过程的最简单模型之一。” 据作者称，上述算法是第一种针对离散概率树中的因果推理提出的具体算法。
认知领域的科学家称，人类自然地从观察中得出因果关系来学习推理，且很有成效。尽管观察数据有限且稀少，但人们可以快速地了解因果结构，例如通过观察因果之间的共现频率以及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中的因果依存关系，但是无法表示特定于上下文间的独立性。
据DeepMind团队表示， DeepMind涵盖了整个因果层次结构和随机命题、因果事件上的操作，并将因果推理进一步扩展为“非常通用的离散随机过程类”。
DeepMind团队的研究重点是有限概率树，并得出了以下具体算法：
计算以下方式形成任意事件的最小表示形式：
命题演算（Propositional calculus）
因果先例（Causal precedences）
计算以下三个因果层次结构的基本操作 ：
条件
干预措施
反事实
原文链接：
https://www.marktechpost.com/2020/10/30/deepmind-research-introduces-algorithms-for-causal-reasoning-in-probability-trees/
资料来源：
https://syncedreview.com/2020/10/29/deepmind-introduces-algorithms-for-causal-reasoning-in-probability-trees/
论文：
https : //arxiv.org/pdf/2010.12237.pdf
GitHub：
https://github.com/deepmind/deepmindresearch/tree/master/causal_reasoning
更多精彩推荐
2573
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
