亚洲 a v无 码免 费 成 人 a v,性欧美videofree高清精品,新国产三级在线观看播放,少妇人妻偷人精品一区二区,天干天干天啪啪夜爽爽av

圖靈獎(jiǎng)得主Judea  Pearl，早在40多年前便通過貝葉斯網(wǎng)的設(shè)計(jì)，使機(jī)器實(shí)現(xiàn)概率推理而在人工智能領(lǐng)域聲名大噪，并被譽(yù)為“貝葉斯網(wǎng)絡(luò)之父”，但近年卻公開聲稱自己其實(shí)是人工智能社區(qū)的一名“叛徒”：離開了主流追逐、并且也是由他奠定重要理論基礎(chǔ)和方法論的概率推理，而去追求一項(xiàng)更具挑戰(zhàn)性的任務(wù)——因果推理。Judea Pearl 認(rèn)為當(dāng)今深度學(xué)習(xí)所有令人印象深刻的成就，都只不過是為了適應(yīng)“曲線擬合（Curve fitting）”而今，這也導(dǎo)致深度學(xué)習(xí)的研究員們困在了“關(guān)聯(lián)級(jí)別”的問題窘境里。Judea  Pearl 期望能掀起一場(chǎng)“因果革命”，采用因果推理模型，從因果而非單純的數(shù)據(jù)關(guān)聯(lián)角度去研究人工智能。

攜多年磨一劍的“因果推理”理論，Judea Pearl將出席第二屆北京智源大會(huì)（官網(wǎng)：https://2020.baai.ac.cn）并做Keynote演講，為我們徐徐呈現(xiàn)他眼中多彩而神奇的人工智能“畫卷”。為了更好地消化他的演講觀點(diǎn)，我們不妨通過本文來預(yù)熱了解一下Judea Pearl 關(guān)于因果推斷的主要思想。

整理  社區(qū)編輯 楊依帆，常政

Judea Pearl 

圖2：Judea Pearl（圖片出自網(wǎng)絡(luò)）

Judea Pearl 在2018年出版了一本新著《為什么：關(guān)于因果關(guān)系的新科學(xué)》系統(tǒng)總結(jié)了自己近25年關(guān)于“因果推斷”探索的思想結(jié)晶、研究成果。下面我們對(duì)該書中文版[1]的部分文字和圖片進(jìn)行引用和整理，以幫助大家快速了解他的基本思想。

1. 因果關(guān)系的三個(gè)層級(jí)

Judea Pearl  的這部著作，核心圍繞“因果關(guān)系之梯”的三個(gè)層級(jí)來描述，他說：“我在機(jī)器學(xué)習(xí)方面的研究經(jīng)歷告訴我，因果關(guān)系的學(xué)習(xí)者必須熟練掌握至少三種不同層級(jí)的認(rèn)知能力：觀察能力（Seeing）、行動(dòng)能力（Doing）和想象能力（Imagining）?！?/span>

圖3：因果關(guān)系的三個(gè)層級(jí)——關(guān)聯(lián)、干預(yù)、反事實(shí)

第一層級(jí)（關(guān)聯(lián)）：觀察能力，指發(fā)現(xiàn)環(huán)境中規(guī)律的能力。

第二層級(jí)（干預(yù)）：行動(dòng)能力，指預(yù)測(cè)對(duì)環(huán)境刻意改變后的結(jié)果，并根據(jù)預(yù)測(cè)結(jié)果選擇行為方案。

第三層級(jí)（反事實(shí)）：想象能力，指想象并不存在的世界，并推測(cè)觀察到的現(xiàn)象原因?yàn)楹巍?/span>

第一層級(jí)“關(guān)聯(lián)”和第二層級(jí)“干預(yù)”主要針對(duì)當(dāng)前的弱人工智能，包括對(duì)現(xiàn)有貝葉斯網(wǎng)絡(luò)在深度學(xué)習(xí)領(lǐng)域的拓展、前門標(biāo)準(zhǔn)實(shí)踐、do演算等核心算法；而第三層級(jí)“反事實(shí)”，Judea Pearl 認(rèn)為反事實(shí)能力基于基于人的想象力和假設(shè)，是人類獨(dú)有的思考能力，也是令人工智能達(dá)到人類智能的關(guān)鍵命門。

2. 反事實(shí)的算法化：

將意識(shí)和智能體轉(zhuǎn)化為計(jì)算現(xiàn)實(shí)

現(xiàn)在基于統(tǒng)計(jì)的機(jī)器學(xué)習(xí)方法，其理論缺陷便在于此：由于缺乏反事實(shí)這一層級(jí)的信息，使得無論總結(jié)經(jīng)驗(yàn)還是預(yù)測(cè)未來，都缺乏理?yè)?jù)。比如一個(gè)基于統(tǒng)計(jì)的事實(shí)“感冒了，吃了感冒藥，感冒好了”，實(shí)際上這并不能證明感冒藥的效果，如果要證明其中的因果性，需要研究相應(yīng)的反事實(shí)：“如果當(dāng)初沒有吃感冒藥，現(xiàn)在感冒好不好？”

Judea Pearl 說：“ 如果在我睡覺的時(shí)候，我的家庭機(jī)器人打開了吸塵器，我會(huì)告訴它：‘你不該吵醒我?！覀儗?duì)真正的智能機(jī)器人的期望是，它們應(yīng)該明白你我都能完全理解的事：吸塵器會(huì)制造噪音，噪音會(huì)吵醒睡覺的人，而這會(huì)讓被吵醒的人不高興?！?/span>

圖4：一個(gè)聰明的機(jī)器人會(huì)考慮它行為的因果影響

所以強(qiáng)人工智能應(yīng)該是能反思其行為，并能從過去的錯(cuò)誤中吸取教訓(xùn)的機(jī)器。它應(yīng)該能夠理解“我本應(yīng)該采取不同的行為”這句話。這個(gè)說法的反事實(shí)解釋是：“我做了 X = x，得到的結(jié)果是 Y = y。然而，假如我之前采取了不同的行動(dòng)，比如說 X = x'，那么結(jié)果本應(yīng)該會(huì)更好，也許是 Y = y'。

3. 新冠肺炎的反事實(shí)研究

針對(duì)當(dāng)前的新冠疫情，Judea Pearl 于2020年4月2日在其博客上發(fā)布了一項(xiàng)相關(guān)研究[2]，目標(biāo)是“如何將有限的醫(yī)療資源提供給最需要的病人”。通過這個(gè)研究案例，我們也可以一窺“反事實(shí)”的推理過程：

一男一女兩名患者來到你的急診室，他們的COVID-19檢測(cè)都呈陽(yáng)性。哪個(gè)病人最需要治療?我們要看一下相關(guān)的數(shù)據(jù)。

圖5：COVID-19  （圖片出自網(wǎng)絡(luò)）

一組分別針對(duì)男性和女性的隨機(jī)對(duì)照試驗(yàn)結(jié)果表明，男性在接受治療的情況下，有57%的幾率康復(fù)，而在不接受治療的情況下，只有37%的幾率康復(fù)。另一方面，女性在接受治療的情況下，康復(fù)率為55%，在不接受治療的情況下，康復(fù)率為45%。我們可能會(huì)得出這樣的結(jié)論：男性的治療效果比女性更佳。但事實(shí)并沒有這么簡(jiǎn)單。

事實(shí)證明，數(shù)據(jù)可以用多種方式進(jìn)行解釋。我們看男性治療的數(shù)據(jù)，有兩種極端的解釋，第一種是：治療組和未治療組之間20%的差異挽救了20%本來會(huì)死亡的患者的生命；第二種極端的解釋是，治療挽救了所有57%的患者的生命，而實(shí)際上殺死了37%的其他病人。

再看女性的數(shù)據(jù)，在第一種極端的解釋中，55%的康復(fù)率中有10%是通過治療挽救的，45%無論如何都會(huì)恢復(fù)。在第二種極端的解釋中，55%的患者被治療所挽救，而45%被治療所殺死。

綜上所述，受益人的百分比，對(duì)于男性來說，可能在20%到57%之間，而對(duì)于女性來說，可能在10%到55%之間。

現(xiàn)在設(shè)置Y為因變量，y表示康復(fù)，y'表示死亡。X表示自變量，x表示治療，x'表示不治療。用y(x)表示接受治療后康復(fù)的事件，y(x')表示沒有接受治療并康復(fù)的事件。用y'(x)表示治療后死亡的事件，y'(x')表示沒有接受治療后死亡的事件。用P(y(x))表示在實(shí)驗(yàn)組接受治療并康復(fù)的概率，用P(y'(x'))表示沒有接受治療并死亡的概率。我們用PNS表示男性與女性因治療而受益的概率。

如下圖所示，以男性為例，當(dāng)P(y(x))=0.57,P(y(x'))=0.37時(shí)，0.2<=PNS<=0.57。這里也符合之前的猜想。令P(x)=0.4，P(y|x)=0，P(y|x')=0，同樣，令P(y(x))=0.57,P(y(x'))=0.37，這時(shí)得出的結(jié)果是0.57<=PNS<=0.57，意思是57%的男性可以從治療當(dāng)中受益。

圖6：結(jié)合實(shí)驗(yàn)數(shù)據(jù)，計(jì)算得出57%的男性能夠從治療中受益

再看女性的例子，我們令P(x)=0.45，P(y|x)=1，P(y|x')=0，再令P(y(x))=0.55，P(y(x')=0.45。得到的結(jié)果是PNS=0.1。

現(xiàn)在我們知道，57%的男性和10%的女性能夠從治療當(dāng)中獲益。

但是我們不能只考慮因治療受益的因素，還要考慮沒有因治療而受益（或者說因治療而受害）的因素。將之前同樣的數(shù)值代入，得到的結(jié)果是37%的男性因治療而受害，而0%的女性因治療而受害。

在實(shí)驗(yàn)組（接受治療）中，我們治愈一個(gè)人，對(duì)社會(huì)的益處只能算作一個(gè)單位；在對(duì)照組（不接受治療）中，我們沒有讓某人接受治療，對(duì)社會(huì)造成的危害是2個(gè)單位，因?yàn)槲覀兪チ四軌蛑斡橙说臋C(jī)會(huì)。綜上所述，男性：1*0.57-2*0.37=-0.17；女性：1*0.1-2*0=0.1。所以，如果你是一名決策者，你應(yīng)該優(yōu)先治療女性。

4. 因果革命的數(shù)理框架

當(dāng)然，反事實(shí)算法僅是Judea Pearl 多年來因果理論研究的一部分，關(guān)于他整個(gè)因果推理體系的數(shù)理框架，體現(xiàn)在他設(shè)計(jì)的結(jié)構(gòu)化因果模型（Structural  Casual Models，SCM）之中，這是Pearl  為了突破現(xiàn)有機(jī)器學(xué)習(xí)對(duì)于因果推斷的理論限制、推動(dòng)一場(chǎng)全新的“因果革命”而打造的核心引擎。

Judea Pearl  在2020年5月31日更新于博客的一篇近期訪談中，認(rèn)為SCM靈活地整合了當(dāng)今統(tǒng)計(jì)模型的主要優(yōu)點(diǎn)和方法，特別是結(jié)合了圖模型和潛在的輸出邏輯，其中圖用來編碼“我們所知道的”，邏輯用來編碼“我們想要知道的”，然后用數(shù)學(xué)工具將這兩類數(shù)據(jù)進(jìn)行結(jié)合。

這里我們選取SCM的主要邏輯部分作一個(gè)簡(jiǎn)介，關(guān)于它進(jìn)一步的詳細(xì)內(nèi)容，推薦大家閱讀 Judea Pearl  2019年發(fā)表于ACM會(huì)議的報(bào)告《The Seven Tools of Causal Inference, with Reflections on Machine Learning》[3]。

SCM主要包括：圖模型、反事實(shí)和介入式邏輯、 結(jié)構(gòu)化方程三部分。圖模型作為表征知識(shí)的語(yǔ)言，反事實(shí)邏輯幫助表達(dá)問題，結(jié)構(gòu)化方程以清晰的語(yǔ)義將前兩者關(guān)聯(lián)起來。

如圖8所示，SCM引擎接受三種輸入：假設(shè)（Assumptions）、查詢（Queries）和數(shù)據(jù)（Data），并生成三種輸出：被估量（Estimand）、估計(jì)值（Estimate）和擬合指數(shù)（fit indices）。被估量（E_S）是一個(gè)數(shù)學(xué)公式，該公式基于假設(shè)，提供從任意假設(shè)數(shù)據(jù)中回答查詢的方法（可獲取假設(shè)數(shù)據(jù)的情況下）。在接收到數(shù)據(jù)后，該引擎使用被估量來生成問題的實(shí)際估計(jì)值 E_s hat，以及問題置信度的統(tǒng)計(jì)估計(jì)值（以反映數(shù)據(jù)集的有限規(guī)模，以及可能的衡量誤差或缺失數(shù)據(jù)）。最后，該引擎生成一個(gè)“擬合指數(shù)”列表，可衡量數(shù)據(jù)與模型傳遞的假設(shè)的兼容性。

圖7：Judea Peal的結(jié)構(gòu)化因果模型（Structural  Casual Model，SCM）

此外，這里還推薦大家閱讀馬克斯·普朗克智能系統(tǒng)中心主任 Bernhard Sch?lkopf  在2019年12月發(fā)表的一篇論文《CAUSALITY FOR MACHINE LEARNING》[4]，它詳細(xì)討論了Pearl 的因果推理理論和機(jī)器學(xué)習(xí)的聯(lián)系，不僅得到了Judea Pearl 本人在Twitter 上的高度認(rèn)可，甚至還得到了另一位圖靈獎(jiǎng)獲得者Yann LeCun的“點(diǎn)贊”。

在NIPS 2017 某個(gè)研討會(huì) Q& A 上，Judea Pearl 曾經(jīng)這么解釋他心中的因果革命：“30年前，我們還無法為‘Mud does not cause Rain’編寫一個(gè)公式；現(xiàn)在，我們可以公式化和評(píng)估每一個(gè)因果或反事實(shí)陳述”。

 5.人工智能領(lǐng)域最好的學(xué)者

Judea Pearl 篤信“絕對(duì)能開發(fā)出具有自由意志的機(jī)器人”，其路徑便是“因果推理代替關(guān)聯(lián)推理”，他并不擔(dān)心可能存在的“機(jī)器人作惡”問題：“我們能夠制造出有能力辨別善惡的機(jī)器，它至少應(yīng)該和人類一樣可靠，而且有望比人類更可靠。我們對(duì)道德機(jī)器的首要要求是它能夠反省自己的行為，其涉及反事實(shí)分析。一旦我們編寫完使機(jī)器實(shí)現(xiàn)自我覺察的程序，我們就能賦予機(jī)器以同理心和公平感，因?yàn)檫@些程序建基于相同的計(jì)算原則。”

2017年間，F(xiàn)acebook、Twitter等社交網(wǎng)站曾鬧了個(gè)“烏龍”：大家熱傳一張Judea Pearl在NIPS 2017 上對(duì)著“空無一人的房間演講”的照片，感慨真是“機(jī)器學(xué)習(xí)悲慘的一天”，事后發(fā)現(xiàn)這是因攝影師拍攝角度而導(dǎo)致的誤會(huì)。但這個(gè)烏龍能快速傳播，本身也說明Judea Pearl 這么多年來在學(xué)術(shù)領(lǐng)域一直處在以孤軍作戰(zhàn)的狀態(tài)。Judea Pearl 本人喜歡說這么一個(gè)段子：1960年代，他從紐約某不知名大學(xué)博士畢業(yè)后，去各校求職屢屢碰壁，總被告知“從來沒聽說過這個(gè)學(xué)?！保灾劣谧罱KUCLA對(duì)他的接納，成為他人生中“除了娶我太太以外最重要的事情”。

這個(gè)段子給筆者的印象是，Judea Pearl似乎天然有一種唐吉柯德般的戰(zhàn)士情節(jié)：總是在踐行一條少數(shù)人走的未知道路。同時(shí)，當(dāng)我們細(xì)細(xì)探尋他多年來放棄輕易可獲的鮮花和掌聲、孤身探尋強(qiáng)人工智能和因果革命之心路軌跡，會(huì)發(fā)現(xiàn)背后支撐他的心靈能量——篤信人類智慧可以編寫出“人工智能為善”的源代碼。因此，筆者以機(jī)器學(xué)習(xí)領(lǐng)域奠基人、加州大學(xué)伯克利計(jì)算機(jī)系教授 Michael I Jordan 曾經(jīng)對(duì)他的評(píng)價(jià)作為本文的結(jié)尾：

Judea Pearl 教授是AI 領(lǐng)域最好的學(xué)者，沒有之一。

參考文獻(xiàn)

[1]朱迪亞·珀?duì)枺↗udea Pearl），達(dá)納·麥肯齊（Dana Mackenzie）. 為什么：關(guān)于因果關(guān)系的新科學(xué)[M]. 北京：中信出版集團(tuán)股份有限公司，2019年7月

[2]Judeal Pearl. Which Patients are in Greater Need: A counterfactual analysis with reflections on COVID-19，http://causality.cs.ucla.edu/blog/

[3]Judeal Pearl. The Seven Tools of Causal Inference, with Reflections on Machine Learning，https://cacm.acm.org/magazines/2019/3/234929-the-seven-tools-of-causal-inference-with-reflections-on-machine-learning/fulltext

[4]Bernhard Sch?lkopf. 2019.CAUSALITY FOR MACHINE LEARNING. arXiv:1911.10500

來源：北京智源人工智能研究院