【机器习得】因果关系·概率推理·自动建模 

生物界的一个重要特点，就是生物能够适应环境。高等智力的生命体，更是除了能适应环境外，还能反过来改变环境使之适应自己。而生命体要做到这一点，就要求本身对外部事物的性质，特别是对亊物之间许许多多错综复杂的各种关系，要具有深刻的认识、理解和把握。在这诸多的关系中，对人类调控客观世界时最重要的一种，就是因果关系。

这就是说，假如要得到某个果，只要知道它的因，并对之进行操控，就可以达到目的。因此，发现并理解因果关系是人类认知的一个重要特点。但是，怎么发现和确定因果关系呢？

自古以来，人们就经常把逻辑蕴含，来作为确定因果关系的一种推理工具。确实，在某些情况下，逻辑蕴含可以用来表达因果关系，比如if A ^（A -> B），then B。但是，蕴含关系并不是因果关系。

那么，有什么样的严密的形式系统，能保证使人们对因果关系，进行准确无误的探索思辩描述和验证呢？

因果关系，其实超越了简单的逻辑的范畴。现在人们更多地从概率的角度来认识它。为什么一定要牵涉到概率呢？

那就让我们从最简单的逻辑蕴含开始吧。假如用逻辑蕴含来表达因果关系，它的条件通常是一些带有有限数目的、可以包含了并、或、非的，充要条件。现在，假定这些条件的数目，趋于无限地多但又不等于无穷大，而且还包含了许多的，充分却不必要的，条件，这正好附合了因果关系中的随机的定义。也附合了逻辑实证主义者们所谓的主观概率的lNUS条件的定义。

为什么呢？这牵涉到因果关系中对随机的定义，直观地说，就是有数不清的影响因素，但其中没有一个或几个因素，能对发生的后果起决定作用，即它们绝不是充要条件，也不一定是充分条件，或者必要条件，而是它们之间不同组合的合力，影响了事件的发生。由于这些不同因素的出现，各服从于自己的分布频率，所以，最后该结果的产生，服从于其中许多某些因素产生了影响的合力，而这些合力共同构成了充分条件。因此，这类因果关系是随机分布的，必须以数学中概率来进行演算和推理。

西方有好几个关于因果关系概率论的理论流派。提出lNUS条件的主观概率派只是其中之一。另外还有几个主要流派：频率派、倾向派、模式特征派。还有什么反亊实条件派、干涉论、马尔可夫条件论、等等。但他们对因果关系的概率定义，却大同小异：因（Cause）提高了果（Effect）发生的概率（Probability）。
即：P(E|C)>P(E|~C)。

形式上讲，因果关系的概率模式，包括一个多变量的集V，和在V集上的概率分布P，以及一个包括了V集当中各变量间的因果关系结构的图G。一旦有了在某个领域内的这种因果关系的模式，它就成为这一领域的一个理论，因为借助这个模式，人们就能够，理解描述解释预测和操控在这个领域的各种现象。这就是概率推理。

那么，如何能让机器习得，能够自动地得到这种因果关系的理论模型呢？这就是自动建模，是当前人工智能研究的一个热门课题。

所谓自动建模，就好比机器习得是一个黑箱，一头把大数据输入，另一头就出来那个带因果关系的模型。比如输入美国股市所有的相关数据，黑箱的输出端就是一个股市预测模型。对该模型进行某个股票的查询，就能得到有关该股各种预测的信息。

其实，己经有很多自动建模的算法，但大都是基于线性回归等等的路径分析之类的，往往过于overfitting。近十年来比较流行的用于脑神经模式测试的DCM（Dynamic Causal Modeling)就是用了这类方法。最近还有家startup，叫Nutonian的，号称给定数据，能用各种不同算法算出一批模型，然后再用一套评估算法，向用户推荐其中最佳的模型。

此外，近年来很热门的，马尔可夫链贝叶斯网络算法，由于其很难确定各因素间互相独立的问题，因此也容易overfitting。但由于该算法能利用蒙特卡罗采样从实际数据（V={C,E}）和概率分布（P)中，转换出图论模式(G)，它还是应该代表了近期发展的方向。

然而，关于如何解决该算法中的common cause, screening-off, directionality, asymmetry, population relativity, contextual unanimity等等诸问题，由于篇幅关系，只能以后详谈了。