视频学习VALSE短教程《因果发现与因果性学习》 蔡瑞初教授

Posted 2022-11-15 ViviranZ

1。VALSE短课程

20220505【VALSE短教程】《因果发现与因果性学习》特邀讲师：蔡瑞初教授_哔哩哔哩_bilibili

首先还是由【因果性≠相关性】和【辛普森悖论】引入

包含因果的新一代人工智能的目标： 

目录

 发现因果关系的方法：

1.干预实验（对照试验）

2.基于观察数据的方法：

1）基于约束的方法：A1

2）基于因果函数的方法

 3）基于因果机制独立假设的方法 A2

混合型方法

 目前工作重点：

1.隐变量问题

 TRAD算法：

 三分体方法：

GIN方法

​编辑 FRITL算法：

2. 数据非独立同分布问题

 3.开源平台

 因果性学习

基于先验因果结构的因果性学习方法

 领域自适应问题

 Stable learning:

基于先验因果的方法

 基于因果发现的因果性学习方法

---

 发现因果关系的方法：

1.干预实验（对照试验）

优：清晰明确

缺：1.难度大 成本高 2.有时候有伦理问题甚至不可行（两个完全一样的病人一个吃药一个不吃药）

2.基于观察数据的方法：

观察数据+因果假设（无法被证明或者证伪，只能基于先验知识）=>因果模型

常见模型：SCM、因果图模型（粗粒版SCM）

1）基于约束的方法：A1

假设：

A1因果马尔可夫假设：与父节点以外节点独立

A2：因果忠诚性（faithfulness）假设：没有隐变量

 

PEARL最经典的V结构等……

PC算法：

最经典的有PC算法、IC算法（都在Pearl的书里提及）

优点：简单清晰

缺点：强烈依赖于忠诚性假设，无法处理隐变量

FCL模型：

 部分解决了隐变量的问题，但是还没解决马尔可夫性质问题

因此 需要其他的方法

2）基于因果函数的方法

 假设：

A1独立噪声假设：原因变量和噪声变量是独立的

A2独立机制假设：原因和机制函数f是独立的

模型1：

线性非高斯噪声可以用于判断因果方向，例如题目所给的对比，对于型的因果函数产生的数据，噪声是均匀分布的，当X对Y做回归的时候，残差关于X分布是均匀的，而Y对X做回归的时候，E是有倾斜的。但是如果噪声E符合高斯分布，那么两方面回归没有明显差别，因此需要事先假设线性的噪声分布是非高斯的。

  实例：LiNGAM模型

起源于盲源信号分离，也就是从收到的混杂信号中分离几个不同的独立源的信号

 ​​​​LiNGAM和ICA的联系：

 缺点：只能处理线性的、并且要求噪声分布是非高斯的。

非线性高斯模型（ANM模型）：

发现非线性函数可以部分实现非高斯噪声的功能。Y表示成X的函数时候（黑线），E是独立的，X表示成Y的函数的时候（红线），E是随着Y变化的。

 缺点：实际上，很多实验中表明，Y->X, X->Y表现出都是非独立的……例如：

 原因是（仅针对上例）实际上数据的生成机制是

因此，想要对数据有一个级联式的分析变化

但是这样需要对中间的很多节点进行分析 难度很大。

 

CANM模型 

但是分析发现，不需要研究中间变量。通过对AN的分析，没有观察到的可以被已知先验分布的噪声替代，也就是可以用VAE计算！

 

具体算法， （encoder-decoder）

  

 优点：有很好的可识别性，只有满足Thm中奇奇怪怪的等式的噪声才会不可识别 

 应用：用电量、股票市场

 后非线性模型：post-nonlinear model

假设：

 因果可识别性

前三种方法的统一： 

 

 3）基于因果机制独立假设的方法 A2

非常不严谨的变量和函数独立……

 

因果变量的不对称性：

 

IGCI

HCR

 主要利用基于函数的方法解决ANM的不足：离散数据不存在加法（男人+女人=？），给个例子：

 把离散数据的因果生成过程建模成一个函数：

 

 这个方法听起来有一点迷……给的实例是鲍鱼，无论长宽高发现的中间变量都是年龄？实际上因为鲍鱼要到一定年龄大小才能看出来性别？啥玩意儿啊

 （GES）

其实这一系列方法中还有我很熟悉的GES哈哈，

 优点： 1.保证因果图收敛性 2.搜索速度较快

缺点： 1.容易陷入局部最优 2.仍未摆脱超指数增长问题

混合型方法

基于独立性：可以解决高维问题，

基于函数：高维有问题，但是可以处理发现隐变量

综合：混合型方法

 

 目前工作重点：

1.隐变量问题

measurement model：如何利用观测数据得到隐变量参数

structural model：获得隐变量之间的关系

 TRAD算法：

隐变量结构可以通过协变量关系部分表示：【称为四分体条件】

方法问题在于 只能分辨因果图里有这个边，但是不知道这个边的方向，因此，还需要进一步优化

 发现不对称性（针对的特殊的三元关系）

 三分体方法：

 限制：可以利用的隐变量个数有限

GIN方法

1.多个可以研究三个，也可以通过X4X5反解L1L2

 

应用：

 

 FRITL算法：

处理含有未知隐变量的问题

 基于局部的因果图判断背后是不是有隐变量【例如全连接了还不满足】

高维的、具有隐变量和观察变量混合结构的因果关系发现

2. 数据非独立同分布问题

 

 分成聚类-找共同结构

 ​共性领域-个性领域-个性领域独立地刻画​​​​​问题：基站-> 

 3.开源平台

 

 

 因果性学习

关于因果性而不是相关性……老生常谈了放着很清晰了

 泛化性、可解释性

基于先验因果结构的因果性学习方法

 领域自适应问题

1.最简单的情形，只需要对于L函数重新加权就可以了

 

2.important-resampling很难；因此采用基于black-box shift的方法，利用分类器估计target domain的分布和source domain的分布的混淆矩阵进行纠偏

3.

假设：source和target不影响Y。

方法：基于样本生成，研究变化，认为生成是线性变化的，然后去学习这个矩阵。 

 

 

4. 

 最复杂的情况。方法：粗暴地上述两个方法结合

 研究隐变量：

CIC&CTC：

共性：将隐变量分为两类，随不随domain变化

 通过生成target domain的数据来学习分布变化

CIC：约束数据 CTC：样本层面约束样本的相似性

领域信息（动画片）+语义上信息（label）

  类似conditional shift！

模型：左边语义信息，右边领域信息，实现解耦（推拉？）

 问题：

(a)边缘分布不一致 (b)overlap support

 具体结构：

 Stable learning:

又见到想要打牌子的崔教授了……

 

观点：因果层面：去除伪关联，统计方面：共线性关系 

NICO比赛

基于先验因果的方法

 张老师，又是你……长尾分布这篇挺有意思

 中科大的冯老师，推荐算法，去除bias，进一步引入来促进推荐平衡

 基于因果发现的因果性学习方法

因果表示学习 

 颜色形状大小等等……人知道只有七个因素影响，数目很少

构造解耦方法~若干元的线性表示

TCL：非稳态序列上的因果表示

 

 PCL：稳态序列上的因果表示非线性ICA

稳定的持续依赖，依赖T时刻和其他时刻样本……

开始加速跟不上了

 

 去看这个综述！！！！

形式化定义、因果和统计模型的区别联系等

 因果结构迁移

 时间序列上的领域自适应问题

 联合分布难对齐，因果机制是稳定的，只是强度周期不同

从稀疏到真正因果

 数据影响因素：历史数据和两个因素A1A2，利用格兰杰因果

 协变量-因果条件shift

 

因果上源域和目标域相似度的度量

马普所 线性的

对的好 收敛快 

 北京和天津，相似（PM2.5）

 其它未覆盖主题

Causal and Anti-causal Learning

 对半监督学习分析，”半监督很多时候无效的“：P(X)对预测P(Y|X)是无效的

从反因果学习角度来看 是有效的

因果强化学习

 考虑多环境 环境与因果无关 奖励与环境独立

 

因果元学习 

 (a)(b)(c)因果也是元学习保障之一