微信扫一扫
分享到朋友圈

一场因果革命,Judea Pearl最新力作《为什么》中文版发布(赠书)

作者:机器之心 来源:机器之心 公众号
分享到:

06-19

机器之心报道

作者:一鸣、思

如果说科学的本质是寻找变量之间的因果关系,那么过去几年机器学习的研究和努力依然没有触及问题的本质。在这本书中,让我们重新思考什么是因果关系,什么是因果与统计之间的桥梁。也许自带因果的机器学习,才适合做推理与决策。


正如图灵奖获得者,贝叶斯网络之父 Judea Pearl 所言,机器学习不过是在拟合数据和概率分布曲线。变量的内在因果关系不仅没有被重视,反而被刻意忽略和简化。如果要真正解决科学问题,甚至开发具有真正意义智能的机器,因果关系是必然要迈过的一道坎。


Judea Pearl 在最新的《The book of Why》中批判了传统统计学存在的问题,并进一步介绍了使用的数学工具,研究变量关系的新方法。


今年,该书被翻译成中文,即将付梓出版。联合中信出版社,机器之心也将为购票参加市北·GMIS 2019 大会的读者进行赠书活动,数量有限,先到先得。



Judea Pearl:我们需要一场「因果革命」


提到 Judea Pearl,熟悉机器学习领域的读者应该不会陌生。他提出了著名的,是 2011 年图灵奖的获得者。


虽然 Pearl 已经是领域内知名的学者,但是他自嘲自己是「AI 社区的反叛者」。原因在于,Pearl 对人工智能的发展方向和主流趋势持相反意见。Pearl 认为,尽管现有的机器学习模型已经取得了巨大的进步,但遗憾的是,所有的模型不过是对数据的精确曲线拟合。从这一点而言,现有的模型只是在上一代的基础上提升了性能,在基本的思想方面没有任何进步。


那么,怎样才能推动 AI 社区解决这一问题呢?在,Pearl 认为,我们需要一场「因果革命」。研究者应该考虑采用因果推断模型,从因果而非单纯的数据角度进行研究。他认为,我们在过去一段时间错过了对因果推断的研究机会,这原本是科学研究的核心:寻找变量的因果关系。


图注:Judea Pearl


然而,当前统计机器学习主要关注对表征的拟合,寻找的是变量之间的相关性,而非潜在的因果性。这样的认识会使科学研究停留在较浅的关联层面,导致模型的鲁棒性和可解释性丧失,阻断了进一步探究干预变量,以及反事实推断(即假设某一变量完全相反而其他变量不变时,该变量对结果的影响)的能力。Pearl 认为,智能的机器应该能够彼此沟通交流,通过提出反事实对话(如「你应该怎样做」)而作出更好的表现。


Pearl 感到遗憾的是,当前一部分研究者依然沉浸于机器学习模型带来的巨大进步中,缺乏对研究的内省。因此,Pearl 和他的同事在 2018 年完成了著作《The Book of Why: The New Science of Cause and Effect》。Pearl 在书中详细地阐述自己在这一领域的研究成果,希望能够促进人们反思当前的研究方向。


因果关系这本书都讲了啥


Judea Pearl 在书籍前言中表示,整本书主要从三方面描绘因果推断的全景图:


  • 首先,用非数学的语言阐述因果革命的知识内涵,说明它将怎样影响我们的生活和未来。

  • 其次,分享在解决重要的因果问题时,我们的科学家前辈走过的英勇征程。

  • 最后,回溯因果革命在人工智能领域的发源地,目的是向你介绍如何开发出用因果语言进行交流的机器人。


因为这本书是科普读物,所以并不要求读者拥有非常强的数学基础。Judea Pearl 会用读者的语言组织思路,猜测读者的背景及可能提出的问题。如果读者想重新审视机器学习的发展历程和其中存在的问题,并力求寻找一种弥补措施,Pearl 的这本心血之作,值得读者细细品读。


内容概要


Pearl 在本书中重点阐述了自己在因果推断领域的研究和思考,并将这些研究通过读者能够理解的数学形式展示出来。总体而言,Pearl 介绍了通向科学分析的路径:因果之梯。Pearl 表示,科学研究需要从从观察,到干预,最终到反事实推理,而整本书的各个章节都围绕着这三部分展开讨论。


首先是底层,指的是对于事物现象的一般性观察,并根据观察的现象,发现其中的关联性。中间一层则是干预,即通过对变量的改变,研究这一变量对结果的影响,包括是否改变结果的性质,以及改变的强度。最后则是反事实,即通过模拟控制其他变量,仅翻转被研究的变量,探讨可能的发展。


因果之梯的三个层级。每向上前进一层时,下层的问题都可以被上层的结果直接解决。


当前的机器学习模型,在 Pearl 看来,只能停留于第一阶段。这是因为,统计机器学习模型仅能够对现象(数据)进行观察,并拟合一个可能的概率分布。这种拟合的结果是,模型仅能够发现两个变量之间的相关性,而非真正的因果性。


因为统计学关注第一阶段观察,因此获得的相关性会带来的一系列研究问题。例如由于无法分离变量「混杂」问题,统计学可能对变量进行错误的控制,以致造成错误的相关关系推断。


在最后介绍反事实阶段中,Pearl 还重点介绍了自己的相关研究成果:


  • 第一,Pearl 会通过图的形式,定性、定量地描述变量之间的因果关系和影响程度。

  • 第二,Pearl 阐述了自己在贝叶斯网络方面的研究,以及在面对复杂因果概率问题中的解决方法。

  • 第三,Pearl 介绍了使用 d-分离的方法,使用因果论领域的数学工具,将统计学中难以剥离和控制的变量,简单地从变量中分离。

  • 第四,Pearl 谈到如何使用结构化因果方程的方式,最终登上因果之梯的最高点:反事实推理。


在本书的最后,Pearl 从数学讲解中脱离出来,针对当前的大数据、人工智能等方面的话题提出了自己的见解。


什么是因果推断?


那么这本书最核心的概念,因果推断到底是什么呢?机器之心摘取了第一章节的部分内容,其形象地解释因果推断,感兴趣的读者快来试读吧。


Pearl 在书中认为,因果推断是一种通过事物的原因推导至某个肯定结果的逻辑方式。通过因果推断,人类可以很好的解决生活和科学中遇到的问题。而如果能够完全掌握这一方法,就能够在计算机上模拟因果推断,进而设计强大的自动化机器。机器最终可以帮助人类解决科学界悬而未决的问题,并最终从环境中不断的学习新的因果知识。


为了将语言中的因果关系使用数学形式表达,Pearl 提出了因果图。因果图一种图形式的模拟,代表变量之间存在的因果关系。点代表变量,带有指向的边则表示了变量的因果关系影响。这种点-边的关系图被称为因果图。Pearl 认为因果图可以良好的展示因果关系。如果每个边带有一个权重,则可以表示不同因素对于这一结果的影响强度大小。


成功狩猎长毛象的已知影响因素。假设某个原始人需要狩猎长毛象,则对其成果狩猎的因素(变量)可以用点表示,边则表示这些因素对结果(狩猎成功与否)具有影响因素。


如果使用因果图,可以模拟预测某一变量对结果的影响。例如,在明确了一个变量关系的因果图后,通过删除某条边(表示隔离某个变量对结果的影响),则可以清楚地预测在缺失该变量的情况下,它对结果的影响。


假设有一法院对犯人下达死刑命令,通过执行队长向两个行刑人下达指令。


上图展示了法院命令 CO、队长 C、行刑者 A、行刑者 B 变量对犯人 D 的影响。因果图表示的是法院下达命令,队长收到命令,将命令同时传达给 A、B,A 和 B 收到命令后,同时对犯人执行死刑的完整流程。由于设定 A、B 都必须收到队长的命令后才能执行,并且必须执行。可以观察到,AB 执行,D 死亡。关联关系可以认为,D 的死亡是 AB 一同执行的结果。


本图是假设了队长 C 没有下达命令给 A(移除了 AC 的边),但 A 依然提前执行的情况下(人为设定 A 为真),犯人是否死亡的因果图。


通过上图,可以判断,即使没有命令但 A 仍执行(为真)的情况下,犯人 D 依然死亡。但是,这一推理和 B 对 D 的状态无关,即 A 为真肯定会导致 D(死亡),但 B 的状态在因果推理中无法说明。作者通过这一例子说明,当 AB 被观察到同时执行,确实可以看到 D 的死亡。但 D 的死亡,也可能是 A 独立导致的,而非 AB 同时为真的结果。因此,因果图相较基于观察相关性的研究,更能够发现变量内部的因果关系。


通过因果图,我们能快速了解变量之间的因果关系,这也就是因果推断了。如果机器学习也能理解变量的这种关系,那么预测结果也就天然可解释了,这样的机器学习系统才是最稳健的。


全书目录


如下所示为全书目录,根据因果之梯,第 2 到 6 章介绍的是第一阶段的观察;第 7 章介绍的是第二阶段的干预;最后第 8 章介绍的就是反事实。了解因果之梯后,再利用新工具与新方法就能尝试解决以前的难题。


  • 前 言 III

  • 导言:思维胜于数据

  • 第一章 因果关系之梯

  • 第二章 从海盗到豚鼠:因果推断的起源

  • 第三章 从证据到因:当贝叶斯牧师遇见福尔摩斯先生

  • 第四章 混杂和去混杂:或者,消灭潜伏变量

  • 第五章 烟雾缭绕的争论:净化空气

  • 第六章 大量的悖论!

  • 第七章 超越调整:征服干预之峰

  • 第八章 反事实: 挖掘原本可能的世界

  • 第九章 中介: 寻找一种机制

  • 第十章 大数据,人工智能和大问题

  • 致谢 

  • 参考文献 


如何获赠《The book of Why》?


即日起购买「市北·GMIS 2019」大会门票,并在购票时备注「why」,即可获赠 Judea Pearl 最新力作《The book of Why》一本,限量 10 本,按购票时间,送完为止。


市北·GMIS 2019全球数据智能峰会7月19日-20日在上海市静安区举行。本次峰会数据智能为主题,聚焦最前沿研究方向,同时更加关注数据智能经济及其产业生态的发展情况,为技术从研究走向落地提供借鉴。

本次峰会设置主旨演讲、主题演讲、AI画展、「AI00」数据智能榜单发布、闭门晚宴等环节,已确认出席嘉宾如下:

大会早鸟票已开售,我们也为广大学生用户准备了最高优惠的学生票,点击阅读原文即刻报名。


阅读39586
最新 中文版 
举报0
关注机器之心微信号:almosthuman2014

用微信扫描二维码即可关注
声明

1、头条易读遵循行业规范,任何转载的稿件都会明确标注作者和来源;
2、本文内容来自“机器之心”微信公众号,文章版权归机器之心公众号所有。

评论
更多

文章来自于公众号:

机器之心

微信号:almosthuman2014

邮箱qunxueyuan#163.com(将#换成@)
微信编辑器
免责声明
www.weixinyidu.com   免责声明
版权声明:本站收录微信公众号和微信文章内容全部来自于网络,仅供个人学习、研究或者欣赏使用。版权归原作者所有。禁止一切商业用途。其中内容并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。如果您发现头条易读网站上有侵犯您的知识产权的内容,请与我们联系,我们会及时修改或删除。
本站声明:本站与腾讯微信、微信公众平台无任何关联,非腾讯微信官方网站。