ICML：当因果遇见机器学习

某中心首席科学家Dominik Janzing在今年的国际机器学习会议（ICML）上共同完成了某机构18篇论文中的4篇，这些论文与其大多数研究一样，标题中都包含"因果"一词。

2012年由Janzing与某机构副总裁Bernhard Schölkopf合作完成的论文《论因果与反因果学习》获得ICML 2022"时间检验奖"荣誉提名。

“目前涉及因果关系的论文仍占较小比例，但正在持续增长。“Janzing表示，“从长期趋势看，这一领域明显处于上升阶段，我坚信该趋势将持续发展。预计因果关系未来将扮演比现在更重要的角色。”

机器学习研究者对因果性日益增长的兴趣源于相邻领域的相关工作。传统因果问题关注特定干预的因果效应，例如患者服用药物与否对康复的影响，同时考虑其他影响因素（协变量）。这种因果观念一直是实验设计和经济学研究的核心。

另一图形模型研究群体则致力于建模更复杂系统。包含大量变量的图形模型既可计算特定变量对另一变量的平均效应，更旨在将复杂系统分解为可理解的机制。因果发现问题——如何从被动观测中推断图形模型——仍是极具挑战性的目标。通过与机器学习建立更强联系，这一问题有望取得进展。

机器学习的介入

2010年左右，因果关系对多种机器学习问题的重要性逐渐显现，因为推断统计关系与推断生成过程之间存在本质差异。目前正在探索与因果关系相关的机器学习热点包括可解释AI、公平性以及对分布偏移具有鲁棒性的数据表示学习。

“可解释AI是否必然需要因果解释？具有语义意义的表示是否必须是因果表示？如果是，在什么意义上成立？”

虽然因果问题渗透所有这些讨论，但我们也需要更好地理解因果性的含义。有时人们将"真实因果图"视为永恒不变的绝对真理，但实际上因果关系往往具有上下文依赖性，特别是在涉及高度聚合变量的领域（如宏观经济量）。“所有模型都是错的，但有些是有用的"这句格言在因果模型讨论中尚未得到充分重视，因为图形模型的目的不一定是为特定任务提供效用，而是为了理解复杂系统的运行机制。

定义挑战

理解因果性含义不仅是哲学问题，更直接影响研究方向。在应用研究中明显存在需要定义的概念领域，例如Janzing在ICML发表的论文《基于因果结构的异常值根因分析》提出了量化不同根本原因对结果贡献程度的方法，但首先需要给出极端事件根本原因的正式定义——“这一定义在现有文献中尚未发现”。

该领域的基本概念仍需进一步定义（主要基于图形模型框架），同时哪些数学工具最适合因果分析也有待探索。目前因果机器学习研究涉及统计学、泛函分析（特别是核方法）、线性代数、香农信息论、算法信息论、傅里叶分析、群论和博弈论等多种数学工具。

“纵观因果推断中应用的数学方法，可以说没有人知道十年后因果关系研究将主要使用哪些数学工具。我认为没有哪种数学是与该领域无关的。这表明该领域仍然非常开放，远未局限于特定主题、问题类型和方法。”