翻譯 | 高衛華
頭圖 | CSDN付費下載自視覺中國
當前，一些前沿AI研究人員正在尋找用於表示上下文特定的因果依賴關係清晰的語義模型，這是因果歸納所必需的，在 DeepMind的算法中可看到這種機率樹模型。
機率樹圖用於表示機率空間，樹形圖可說明一系列的獨立事件或者條件機率。
機率樹圖上的節點表示一個事件及其機率，根節點表示機率等於1的特定事件，同級節點集表示父事件（the parent event.）中詳盡的劃分。
機率（導致特定節點發生的一系列事件）=機率（該節點）*機率（父節點）。
機率樹已存在數十年，但一直都未受到ML和AI愛好者的過多關注。
新的DeepMind論文 《機率樹中的因果推理算法》中寫道，「機率樹是因果生成過程的最簡單模型之一。」 據作者稱，上述算法是第一種針對離散機率樹中的因果推理提出的具體算法。
認知領域的科學家稱，人類自然地從觀察中得出因果關係來學習推理，且很有成效。儘管觀察數據有限且稀少，但人們可以快速地了解因果結構，例如通過觀察因果之間的共現頻率以及物理對象之間的相互作用等。
因果歸納是機器學習和統計學中的經典問題。 因果貝葉斯網絡（CBN）等模型可以描述因果歸納中的因果依存關係，但是無法表示特定於上下文間的獨立性。
據DeepMind團隊表示， DeepMind涵蓋了整個因果層次結構和隨機命題、因果事件上的操作，並將因果推理進一步擴展為「非常通用的離散隨機過程類」。
DeepMind團隊的研究重點是有限機率樹，並得出了以下具體算法：
計算以下方式形成任意事件的最小表示形式：
命題演算（Propositional calculus）
因果先例（Causal precedences）
計算以下三個因果層次結構的基本操作 ：
條件
干預措施
反事實
原文連結：
https://www.marktechpost.com/2020/10/30/deepmind-research-introduces-algorithms-for-causal-reasoning-in-probability-trees/
資料來源：
https://syncedreview.com/2020/10/29/deepmind-introduces-algorithms-for-causal-reasoning-in-probability-trees/
論文：
https : //arxiv.org/pdf/2010.12237.pdf
GitHub：
https://github.com/deepmind/deepmindresearch/tree/master/causal_reasoning