DeepMind在概率树中引入因果推理算法

您是否正在寻找具有清晰语义的模型，以表示因果归纳所需的特定于上下文的因果依赖关系？如果是这样的话，也许您应该看看好的老式概率树。概率树可能已经存在了几十年，但它们几乎没有受到AI和ML社区的关注。直到现在。“概率树是因果生成过程的最简单的模型之一，”DeepMind论文中新的概率树因果推理算法解释道，作者说这是第一个提出离散概率树因果推理的具体算法的论文，“概率树是因果生成过程的最简单的模型之一”，作者说这是第一个提出离散概率树因果推理的具体算法的DeepMind论文算法。

认知科学家说，人类很大程度上是通过从我们的观察中归纳出因果关系来自然地学习推理，我们在这方面做得非常好。即使在我们感知到的数据稀疏和有限的情况下，人类也可以快速学习因果结构，如物理对象之间的相互作用、观察因果之间的共现频率等。因果归纳也是统计学和机器学习中的一个经典问题。尽管因果贝叶斯网络(CBN)等模型可以描述因果归纳的因果依赖关系，但它们不能表示特定于上下文的独立性。DeepMind团队说，他们提出的算法覆盖了整个因果层次，并对任意命题和因果事件进行操作，将因果推理扩展到“一类非常一般的离散随机过程”。

DeepMind团队将他们的研究重点放在有限概率树上，并针对以下问题提出了具体的算法：

概率树中因果推理的论文算法在arxiv上，在GitHub上有一个互动教程。

这份报告让我们看到了中国在与新冠肺炎的战斗中是如何利用人工智能技术的。亚马逊Kindle上也有，在这份报告的同时，我们还推出了一个全球数据库，涵盖12个大流行场景的额外1428个人工智能解决方案。

我们知道你不想错过任何新闻或研究突破。我们订阅我们广受欢迎的时事通讯同步全球AI周刊，以获得每周的AI更新。