知識體系

Inductive Reasoning

• Casual Inference 在 Inductive reasoning 底下?
• A method of reasoning: Where one's experiences and observations, and including what learned from others.
• Type

Notes

Concept

1.前言

• Pearl：機器無法理解因果關係，可能是他們無法具備人類智慧的關鍵原因
• 思想勝過資料：統計學告訴我們『相關不等於因果』，卻沒有說因果到底是什麼。
• 推論發動機結合因果知識和資料，產生目標查詢所需的答案。

• 因果模型有許多不同選擇：包含因果圖、結構方程、邏輯敘述等。作者主義採用因果圖，因為一目瞭然、能為我們要探討的問題提供明確的答案。 P( L|do(D) )
• 因果模型還擁有資料探勘和深度學習所缺乏的另一個優點，就是適應力。
  • 被估計量僅受因果模型影響，不需檢視資料特性。因此他計算出來的被估量適用於可用於定性模型的任何資料，不受變量間的數值關係影響。

2. 因果階梯 The Ladder of Causation

• Intro：上帝問的是『什麼』，夏娃跟亞當回答的卻是解釋。他倆都覺得說明原因可以讓他們的行為看起來不一樣。他們怎麼會這麼想呢？

• 這些細微之處有三個意義：機器不可能從原始資料得出解釋，他需要助力。

  • 這世界不只有單純事實（我們稱之為資料），而且這些事實藉由錯綜復雜的因果關係網彼此牽連。
  • 構成知識主體的要素是因果解釋，而不是單純事實。因果解釋是機器智慧的基礎
  • 人類由資料處理者轉變成解釋提供者的過程不是漸進的，而是跳躍式的。

• 因果的三個層級

  • (1) 觀看、觀察：關聯性
    • 如果我看到... 會怎麼樣 ⇒ 依據被動的觀察結果進行預測
  • (2) 介入：行動、實行 ; 刻意改變環境
    • 不只要觀察，還要改變現狀
    • 推理關於介入的一切，是因果階梯中的重要步驟，但推理仍然無法回答所有要探討的問題。e.g. 我的頭現在不痛了，但為什麼呢？是因為我吃阿斯匹靈嗎？是我吃的食物嗎？是我聽到的好消息嗎？這些查詢帶我們登上因果階梯的最高層—反事實。因為要回答這些問題，必須追朔到以前，改變歷史，然後問：『如果當初我沒有吃阿斯匹靈，會出現什麼狀況？』
  • (3) 反事實：看不見的世界