《因果推理原理：基础与学习算法》 前言

因果律是一个引人入胜的研究课题。它的数学化是最近才开始的，许多概念问题仍在辩论之中，而且辩论的程度往往相当激烈。

这本书虽然总结了我们关于因果律的10年心血，但其他人研究这个问题的时间要比我们长得多，而且已经有了关于因果律的书籍，包括the comprehensive treatments of Pearl[2009]，Spirtes等[2000]，Imbens和Rubin[2015]。我们希望我们的书能够以两种方式补充现有的工作。

第一种，本书展现了对一个因果律子问题的重视，这个子问题可能被认为是最基本和最不现实的。它就是因-果问题，在这个问题中，被分析的系统只包含两个可观测值。在过去的十年中，我们对这个问题做了一些详细的研究。我们发表了很多这方面的工作，并试图将其作为“有选择性的、深刻的理解因果律问题“的基础之一。虽然按照连续的章节顺序先研究二元情况可能有指导意义，但也可以直接开始阅读多元章节;见图 I。

第二种，我们的方法受到了机器学习和计算统计学的影响。我们感兴趣的是其中的方法如何能够帮助推理因果结构，更重要的是，因果推理是否能指导我们将来进行机器学习的方式。事实上，我们认为，如果我们不以概率分布所描述的随机实验为出发点，而是考虑分布背后的因果结构，那么机器学习的一些最深刻的开放性问题就会得到最好的理解。

我们试图为熟悉概率论和统计的基础知识或机器知识的读者提供一个系统的主题介绍(为了完整性，最重要的概念在附录A .1和A .2中进行了总结)。

虽然我们的工作建立在Pearl[2009]和Spirtes等人[2000]所发表的因果律的图形化方法之上，但我们的个人品味影响了主题的选择。为了使这本书易于阅读，并集中讨论概念问题，我们不得不遗憾地在因果关系的一些重要问题上投入很少的篇幅，不管它是对特定环境的先进理论见解还是具有实际重要性的各种方法。我们试着在文献中引用一些最明显的遗漏，但我们可能漏掉了重要的主题。

我们的书有许多缺点。其中一些是从该领域继承而来的，例如，理论结果往往局限于我们拥有无限数量数据的情况。虽然我们提供了有限数据情况下的算法和方法，但我们没有讨论这些方法的统计特性。此外，在某些地方，我们往往通过假设密度的存在而忽略了测量的理论问题。我们发现所有这些问题都是相关的和有趣的，但为了广大的读者，我们做出这些选择来保持这本书的简短。

接着是另一个免责声明。计算因果关系的方法仍处于起步阶段，特别是，从数据中学习因果结构只在相当有限的情况下可行。我们已经尽可能地尝试包括具体的算法，但我们敏锐地意识到，因果推理的许多问题比典型的机器学习问题更难，因此我们不能保证算法是否能解决读者的问题。请不要因为这句话而气馁，因果学习是一个有趣的话题，我们希望读这本书能说服你开始学习它。

如果没有各种人的支持，我们是不可能完成这本书的。

建议从第1、3、6章开始。