4、因果推理中的模型与物理关联解析

因果推理中的模型与物理关联解析

1. 因果推理假设与机器学习联系

在因果推理中，结构因果模型（SCM）与机器学习问题有着紧密联系。研究者在SCM中分析不同学习场景（如迁移学习、概念漂移）下函数或噪声的不变性。他们采用了机制与输入独立性的概念，该概念涵盖了变化下的独立性和信息论上的独立性，即“$P_{E|C}$不包含关于$P_{C}$的信息，反之亦然；特别是当$P_{E|C}$在某一时刻发生变化时，没有理由认为$P_{C}$会同时改变”。

此外，Bareinboim和Pearl、Rojas - Carulla等人、Zhang等人的研究进一步探讨了与迁移及相关机器学习问题的联系。Peters等人利用跨环境的不变性来学习多元SCM底层图结构的部分内容。

2. 因果模型的物理结构

2.1 时间的作用

在因果推理中，时间的作用是一个常被忽略但重要的方面。物理学通过排除从未来到过去的因果关系，将因果性纳入基本定律。不过，这并不能解决所有因果推理问题。Simon指出，时间顺序提供的不对称性很重要，但重要的是不对称性本身，而非时间序列。

微观上，经典系统和量子力学系统的时间演化通常被认为是可逆的，这与我们认为世界是有向演化的直觉相矛盾。这种矛盾可以通过两种方式解决：
- 复杂度增加方式 ：假设我们有一个状态复杂度度量，从复杂度非常低的状态开始，在足够遍历的情况下，时间演化会使复杂度增加。
- 开放系统方式 ：考虑开放系统，即使封闭系统的时间演化是可逆的（如量子力学中的幺正时间演化），开放子系统（与环境相互作用）的时间演化通常不可逆。