30、因果学习与神经符号学习：机器学习的新前沿

因果学习与神经符号学习：机器学习的新前沿

1. 因果学习概述

因果学习旨在探究原因与结果之间的关系，或是确定两个或多个事件之间的因果状态。它是机器学习中一个重要的理论框架，能让机器学习算法像人类一样进行因果推理。因果推理的层级可以分为以下三级：

1.1 因果推理的层级

• 干预层级（Level 2） ：表达式为 (P(y|do(x), z))，用于推断事实条件下的因果关系。这一层级高于关联层级，不仅涉及已观察到的内容，还包括改变后应获得的结果。例如典型问题“如果我服用阿司匹林，我的头痛会治愈吗？”这类问题不能仅从现有数据中得到答案，因为它们涉及干预后的反应。
• 反事实层级（Level 3） ：表达式为 (P(y_x|x’, y’))，用于推断反事实条件下的因果关系。它处于三层层级的最高层，因为反事实包含了干预和关联的问题。典型问题如“如果采取不同的行动会发生什么？”这种反事实的推理模式可以追溯到哲学家大卫·休谟和约翰·斯图尔特·密尔的观点。

1.2 因果学习的方法

因果学习主要有两种方法：
- 自下而上法 ：通过偶然事件之间的共同信息来判断因果关系。
- 自上而下法 ：从观察中推断因果关系并验证其正确性，这种方法与前面提到的因果推理密切相关。

心理学从计算的角度研究因果学习，主要关注因果发现，采用两种途径：
- 关联途径 ：这是一种直观的、纯粹的统计方