К стремлению к обучению причинных представлений

Две области — машинное обучение и графовая каузальность — возникли и развивались отдельно. Тем не менее сейчас наблюдается перекрестное влияние и растущий интерес обеих областей к тому, чтобы воспользоваться достижениями друг друга. В этой статье мы рассматриваем фундаментальные понятия каузального вывода и соотносим их с важнейшими открытыми проблемами машинного обучения, включая перенос и обобщение, тем самым оценивая, как каузальность может способствовать современным исследованиям в области машинного обучения. То же справедливо и в обратном направлении: большинство работ по каузальности исходят из предпосылки, что каузальные переменные заданы. Центральной проблемой для ИИ и каузальности является, таким образом, обучение причинным представлениям, то есть обнаружение высокоуровневых каузальных переменных по низкоуровневым наблюдениям. Наконец, мы обозначаем некоторые последствия каузальности для машинного обучения и предлагаем ключевые области исследований на стыке обеих сообществ.