Прежде чем мы перейдем к причинно-следственному обучению, давайте подумаем, что такое причинно-следственная связь.
1. Причинность
Причинность относится к взаимосвязи между событием (X), его основной причиной (Y) и другими способствующими факторами или объяснениями (E).
Например, приливные колебания (X) в основном вызваны гравитационным притяжением Луны (Y). Однако другие факторы, такие как топография Земли и положение Луны, также вносят свой вклад (E) в диапазон приливов и отливов.
Эти дополнительные факторы (E), часто называемые вмешивающимися переменными в статистических терминах, предлагают более полное объяснение наблюдаемого события (X).
Давайте рассмотрим другой пример, который может быть более знакомым: связь между курением и раком легких.
В этом сценарии:
Курение (Y) является основной причиной, которая значительно увеличивает риск развития рака легких (X).
Однако не у всех, кто курит, развивается рак легких, и не все, у кого рак легких, курили. Это указывает на то, что другие способствующие факторы (E), такие как генетика, воздействие газообразного радона или загрязнение воздуха, также играют роль.
Эти дополнительные факторы (E) обеспечивают более полное объяснение наблюдаемого события (X) и могут сложным образом взаимодействовать с основной причиной (Y).
2. Каузальное обучение
Что такое каузальное обучение?
Причинное обучение находит объяснение причины, указанной в корреляции, обнаруживает причинно-следственную связь и предсказывает эффект причины или изменение объяснения с помощью ИИ.
Причинное обучение — это новый подход в области машинного обучения, который учит делать прогнозы на основе обнаружения и понимания причинно-следственных связей между данными и их метками.
По сути, когда указана другая причина, можно найти ответ на вопрос «что, если?».
Процесс прогнозирования современных моделей нейронных сетей часто называют черным ящиком, что затрудняет объяснение того, почему эти модели делают прогнозы, которые они делают. Причинное обучение может помочь смягчить эту проблему, обеспечивая большую прозрачность взаимосвязей между переменными.
3. Контролируемое обучение
Обучение с учителем — это широко используемый алгоритм машинного обучения, в котором ИИ учится прогнозировать результаты на основе размеченных обучающих данных.
Например, вы можете обучить ИИ размеченным изображениям собак и кошек, и машина научится распознавать этих животных на новых изображениях.
4. Ограничения контролируемого обучения
(=Необходимость каузального обучения)
Однако контролируемое обучение имеет ограничения. Модель не может объяснить, почему она идентифицировала изображение как собаку или кошку. Эта неспособность дать представление о процессе принятия решений делает его «черным ящиком».
Йошуа Бенжио, пионер глубокого обучения, сказал, что интеграция когнитивных навыков в модели ИИ потенциально может решить эту проблему. Он подчеркнул важность каузального обучения, предположив, что оно может привести к созданию моделей ИИ, способных имитировать когнитивные способности человеческого сознания.
Следовательно, каузальное обучение может стать ключом к преодолению ограничений существующих алгоритмов машинного обучения. 🔑
У него есть потенциал, чтобы помочь нам глубже понять сложности мира, раскрывая сложные причинно-следственные связи, которые часто упускаются при обучении с учителем. Причинность, в конце концов, является краеугольным камнем нашего понимания окружающего мира.
