Причинная связь и байесовские сети

Причинная связь и байесовские сети

Мышление причинно-следственной связи необходимо, чтобы действовать, следовательно, предвидеть, прогнозировать, проектировать, контролировать, оценивать и диагностировать организации. Возникает вопрос: какова природа причинности? Таким образом, у нас есть множество возможностей, и причинность описывает эффект E, который обязательно происходит постоянно, когда возникает определенная причина C. Поэтому у нас есть детерминированный и универсальный подход к причинности. Этому подходу бросают вызов вероятностный подход и байесовская логика.

Вероятностный подход:

«C аусы должны отличаться тем, что они увеличивают вероятность своих действий» (Drouet, 2007). Я не знаю, необходимо ли, чтобы причина C возникла для того, чтобы обязательно возникло действие E, но я могу сказать, с некоторой осторожностью, связанной с моими ограниченными знаниями: «причина C увеличивает вероятность ее e ff et E в том смысле, что что условная вероятность P (E | C) выше, чем абсолютная вероятность p (E) »

Я могу анализировать причинно-следственную связь, не зная всех причин и не предполагая, что существует даже конечный набор всех причин. Мы не знаем набора факторов, к которым принадлежало бы свойство быть курильщиком, способным вызвать рак легких. Прежде всего, нет никакой гарантии, что такой набор существует »

Это не означает, что все причины равны, но что они условны и что наши знания о них ограничены.

Характеристики байесовских сетей (BN)

Оригинальность BN состоит в том, чтобы объединить граф (причинность) и вероятность. Байесовская сеть состоит из чего-то отличного от единственного ориентированного графа, а набор стрелок представляет собой бинарную связь на множестве переменных, которые являются вершинами графа. В этом посте я предлагаю дальнейшее объяснение:

Итак, BN бывают:

• Функциональный, BN используется для диагностики или прогноза консультантами, руководителями проектов, менеджерами;
• Сосредоточен на одной области и одной функции n. BN позволяет нам вывести причинно-следственные связи на самом деле относительно набора переменных
• причинный граф (формальный объект, логический и т. д.) и вероятностный объект t, основанный на определенной совокупности (конкретный аспект RB)
• Описательная модель, BN состоит из узлов, относящихся к инвариантам, таким образом, описательной модели вселенной, предметной области, специальности и т. д., к которой он относится. Эта описательная модель состоит из категорий, свойств, экземпляров, наборов отношений.
• На основе данных, BR обязательно связан с источником данных, что опять же относится к описательной или концептуальной модели. Другими словами, требуется некоторая совместимость между BN и базами данных;
• Динамический, BN является одновременно моделью исправлений (машинное обучение) и моделью обучения в том смысле, что со временем она может лучше изучить свои функции.

В чем преимущества BN?

• Есть «причинная экономика»: знание ациклического ориентированного графа, представляющего распределение вероятностей, значительно сокращает количество параметров, необходимых для определения этого распределения.
• Разборчивость: информацию, содержащуюся в байесовском графике, легче понять, если она представлена ​​в этой графической форме, а не в виде выражения на естественном языке. Следует отметить, что графическая удобочитаемость относится как к общей форме BN, так и к причинно-следственной связи, идентифицированной в ней.
• Прослеживаемость причин: «[…] любая переменная в V [наборе переменных] не зависит от набора своих прямых причин в V от всех переменные в V, причиной которых он не является. Эта гипотеза известна как: причинно-следственное условие Маркова ». Это условие позволяет проследить причины (отсюда и термин, который я предлагаю для отслеживания) до независимых первопричин путем построения BN. Помните, однако, что анализ пути не ставит своей целью сначала определить, вызывает ли одна переменная другую, а количественно оценить влияние одной переменной на другую переменную, которую она вызывает »
• Репрезентативность со значениями компонентов BR, относящимися к данной совокупности (частотный подход);
• Возможность повторного просмотра, несмотря на универсальность, значения компонентов BR могут изменяться со временем по мере появления новых данных. Их периферийные компоненты могут делать то же самое, поскольку RBD являются аддитивными (по сравнению с вычитающими);
• Общность причин: общая описательная модель позволяет связывать причины с категориями и классами, что позволяет применять модульный причинно-следственный подход по кластерам и, таким образом, выигрывать в экономии и удобочитаемости. Это то, что вы сделали, Фелипе, расслоив свой BR;

Причинно-следственная связь

Вероятностные теории причинности представляют собой концептуальный анализ. Это вопрос определения того, что означает, что А вызывает Б.

Эти вероятностные теории являются «… анализом одного аспекта концепции причинности. Другими словами, вероятностные теории причинности отвечают на вопрос о родовой причинности. Этот вопрос можно сформулировать следующим образом: Какова взаимосвязь между причинами и их следствиями? Этот вопрос, в частности, отличается от вопроса о том, какие реальности являются причинами, следствиями и причинно-следственные связи в e et принадлежат » (Drouet, 2007).

Вероятностные теории причинности в том виде, в котором мы только что их охарактеризовали, выступают в первую очередь как теории общей причинности, а не как теории сингулярной причинности (Drouet, 2007). Разница между общей и единственной причинно-следственной связью заключается в различии между «Курение вызывает рак легких» и «Курение Питера вызвало у него рак легких» или между «Падения вызывают переломы» и «Мой Упав с лестницы сегодня утром, я сломал правое запястье. Таким образом, общая причинность - это взаимосвязь между свойствами, например, свойством падения и свойством разрушения.

Байесовские причинно-следственные связи используются исключительно в исследованиях общей причинности, а не единичной причинности. Это означает, что стрелка RB выражает общую причинно-следственную связь, что должен быть общий набор причин и следствий, что эта универсальность гарантирует структурную инвариантность RB во времени и что количественная оценка его компонентов может быть выполнена только с определенным количество данных;

Проблема при моделировании с BN

Первая проблема касается данных, структура которых не зависит от BN. Алоритмы, связанные с BN, стремятся вывести причины из вероятностей и независимо от каких-либо экспериментов. В самом деле, вероятностные данные, на основании которых посредством байесовских сетей выводятся сведения о причинных связях, являются вероятностными данными наблюдений. Более того, по определению предполагается, что BN делает общие выводы из определенных предпосылок, независимо от формулировки теоретической гипотезы. Вывод BN может быть дедуктивным потому, что он не исходит из формулировки причинных гипотез. Это не тот случай, когда BN выводится из предшествующей общей описательной модели.

Итак, у нас есть проблема: и BN, и описательная модель, и базовые данные - это конструкции, основанные на определенной концептуализации мира. Мы не предлагаем BN для наблюдателя за пределами данного мира, доступного через объективные данные, а BN, служащую практическим инструментом для хорошо идентифицированного субъекта. Короче говоря, за правильным BN стоит теоретическая модель. Выходом может быть рассмотрение BN как одного из элементов, на основе которого будет проверяться общая модель моделируемой проблемы. Затем BN действует в микровселенной в рамках, установленных этой общей моделью.

Следующая проблема касается формального ограничения, которому BN должна удовлетворять, чтобы быть действительным инструментом вывода, причинного марковского условия (все переменные в причинно-следственной связи независимы от всех других переменных, за исключением их родителей или их потомков). Опять же, наличие абстрактной описательной модели облегчает удовлетворение этих ограничений. Изабель Друэ, следуя особенно толстым логическим рассуждениям, приходит к следующему выводу: «[…] использование байесовских сетей для причинного вывода может иметь только следующее значение: интеграция алгоритмов BN в гипотетико-дедуктивную процедуру […] Спецификация причинных гипотез всегда в конечном итоге основывается на теоретических соображениях ».

Заключение

Следовательно, BN - это особые инструменты для проверки гипотез, полученных в результате дедуктивной работы. Именно это мы и сделали:

Следовательно, BN не представляют причинную революцию, выдвинутую некоторыми из их сторонников. Однако они меняют способ построения и тестирования причинных моделей ИИ.

Библиография

Этот пост - моя интерпретация творчества Изабель Друэ.

Если вам нравится и дальше читать подобные истории, вы можете подписаться здесь!