Los árboles de probabilidad pueden haber existido durante décadas, pero han recibido poca atención de la comunidad de IA y ML.

¿Es usted un investigador de IA de vanguardia que busca modelos con semántica limpia que puedan representar las dependencias causales específicas del contexto necesarias para la inducción causal?Si es así, tal vez debería echar un vistazo a los buenos árboles de probabilidad pasados ​​de moda.

Los árboles de probabilidad pueden haber existido durante décadas, pero han recibido poca atención de la comunidad de IA y ML. Hasta ahora. “Los árboles de probabilidad son uno de los modelos más simples de procesos generativos causales”, explica el nuevo artículo de DeepMind Algoritmos para el razonamiento causal en árboles de probabilidad, que según los autores es el primero en proponer algoritmos concretos para el razonamiento causal en árboles de probabilidad discretos.

Los seres humanos aprenden naturalmente a razonar en gran parte mediante la inducción de relaciones causales a partir de nuestras observaciones, y lo hacemos notablemente bien, dicen los científicos cognitivos . Incluso cuando los datos que percibimos son escasos y limitados, los humanos pueden aprender rápidamente estructuras causales como interacciones entre objetos físicos, observaciones de las frecuencias de co-ocurrencia entre causas y efectos, etc.

La inducción causal también es un problema clásico en estadística y aprendizaje automático. Aunque los modelos como las redes bayesianas causales (CBN) pueden describir las dependencias causales para la inducción causal, no pueden representar las independientes del contexto específico. El equipo de DeepMind dice que sus algoritmos propuestos cubren toda la jerarquía causal y operan sobre eventos proposicionales y causales arbitrarios, expandiendo el razonamiento causal a «una clase muy general de procesos estocásticos discretos».

El equipo de DeepMind centró su investigación en árboles de probabilidad finita y produjo algoritmos concretos para:

  • calcular representaciones mínimas de eventos arbitrarios formados a través del cálculo proposicional y las precedencias causales
  • Calcular las tres operaciones fundamentales de la jerarquía causal: condiciones, intervenciones y contrafactuales.

El artículo Algoritmos para el razonamiento causal en árboles de probabilidad está en arXiv , y hay un tutorial interactivo disponible en GitHub .