基础前沿研究

因果推理概述

 

因果推理能够 “由果溯因”,实现“知其然,且知其所以然”,在提供解释、预测和决策控制中扮演重要角色。然而,在观测数据中,事物间本质的因果关系往往被表象的数据关联所掩盖。从大数据种挖掘因果关系,实现因果指导机器学习,是通向可解释人工智能的关键。

 

 

 

目前工作及展望

 

数据中变量间复杂的关联关系可分为因果关联和虚假关联。传统关联驱动的机器学习未能区分因果关联和虚假关联,导致模型存在不可解释和预测不稳定等问题。因果推理是洞悉数据中因果关联的重要途径,通过 “由果溯因”,实现“知其然,且知其所以然”,是通向可解释人工智能的关键。

 

针对传统因果推理方法在高维、连续、弱先验大数据环境下的局限,我们深入研究了大数据驱动的因果推理技术,具体包括基于高维混淆变量平衡的因果推理、连续变量空间的因果关联挖掘、弱先验条件下变量分离解耦的因果推理,建立了具有原始创新性的大数据因果推理理论方法体系。

 

针对传统关联驱动的机器学习在模型可解释性、预测稳定性等方面的局限,我们将联合大数据因果推理和机器学习技术,挖掘数据中本质的、可解释且稳定不变的因果关联来指导机器学习,实现因果指导的可解释稳定机器学习。

 

我们的最终目标是围绕因果关系指导代替传统关联驱动,联合大数据驱动因果推理和因果指导机器学习攻关,实现因果驱动的可解释人工智能。

 

 

 

联系人:况琨 kunkuang@zju.edu.cn