Найти

Результаты поиска

• МЕТОДЫ ИЗВЛЕЧЕНИЯ ПРИЧИННОСТИ ИЗ ДАННЫХ НАБЛЮДЕНИЙ В ПРАКТИКЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

  М.Ю. Георги

  2023-08-14

  Аннотация ▼

  Обсуждается значимость извлечения причинно-следственных связей в машинном
  обучении для принятия решений и оценки воздействия на реальный мир. Отмечается, что
  большинство текущих успехов в машинном обучении основаны на огрубленном распознава-
  нии образов и корреляционном анализе, но для более сложных задач необходимо извлекать
  причинно-следственные связи. Декларируется что проблемы объяснимости прогнозов и
  причинно-следственного понимания, даже с применением передовых методик машинного
  обучения LIME, SHAP, TreeSHAP, DeepSHAP, Shapley Flow, являются фундаментальными
  препятствиями в развитии искусственного интеллекта. В статье кратко раскрываются
  основные философские математические концепции и определения причинности, включая
  понятия контрфактуалов, байесовских сетей, направленных ациклических графов и при-
  чинно-следственного формального вывода. Делается вывод о том, что практическая зна-
  чимость базирующегося на данных причинно-следственного анализа, состоит в ответах
  на априори сформулированные вопросы, которые могут отражать гипотетическую связь
  между событием (причиной) и вторым событием (следствием), где второе событие явля-
  ется прямым следствием первого. Далее производится сравнительный анализ способов и
  основных сценариев использования фреймворков ausal Discovery и ausal Inference, на базе
  которых возникает возможность сделать предположения о расположенной в основе ис-
  следуемого набора данных причинно-следственной структуре и задействовать статисти-
  ческие методы для оценки силы и направления таких связей. В статье также обсуждают-
  ся методы и алгоритмы причинно-следственного анализа и их применение в реальных зада-
  чах. Упоминаются репрезентативные методы, такие как модели на основе ограничений,
  модели на основе оценок и функциональные каузальные модели, тесты (условные) на неза-
  висимость, оценочные функции, всё то что может быть задействовано для решения про-
  блемы извлечения причинно-следственных связей из обсервационных данных, большинство
  которых реализовано в open-source фреймворки, таких как Microsoft DoWhy, Uber
  CausalML, causal-learn, Econ-ml и многие другие, которые реализуют большинство упомя-
  нутых методов причинно-следственного анализа.