[论文解读] A Brief Introduction to Temporality and Causality

Kamran Karimi|arXiv (Cornell University)|Jul 14, 2010

Bayesian Modeling and Causal Inference参考文献 34被引用 7

一句话总结

本文從哲學、物理學和計算科學的角度，對時間性與因果關係提供了基礎性概述，強調時間在因果關係中的作用。文章介紹了用於自動發現數據中時間與因果結構的計算方法，為機器學習與人工智慧系統中整合時間與因果關係提供了概念框架。

ABSTRACT

Causality is a non-obvious concept that is often considered to be related to temporality. In this paper we present a number of past and present approaches to the definition of temporality and causality from philosophical, physical, and computational points of view. We note that time is an important ingredient in many relationships and phenomena. The topic is then divided into the two main areas of temporal discovery, which is concerned with finding relations that are stretched over time, and causal discovery, where a claim is made as to the causal influence of certain events on others. We present a number of computational tools used for attempting to automatically discover temporal and causal relations in data.

研究动机与目标

• 澄清時間性與因果關係之間的概念關係，二者在科學與計算領域常被混淆但實際上是不同的。
• 識別並分析哲學、物理學與電腦科學中對時間與因果關係的歷史與現代定義方法。
• 區分時間發現（識別時間延展關係）與因果發現（推斷因果關係）作為核心研究領域。
• 介紹專為自動檢測數據中時間與因果模式而設計的計算工具與演算法。
• 為在機器學習與人工智慧應用中整合時間與因果關係奠定基礎。

提出的方法

• 調查哲學與物理學中關於時間與因果關係的理論，以建立概念框架。
• 將因果關係方法分類為結構模型、機率模型與干預主義模型，並強調時間先決條件為必要條件。
• 介紹時間發現技術，如序列挖掘、時間序列分析與資料流中的事件模式檢測。
• 介紹因果發現方法，包括基於約束的演算法（例如 PC 演算法）、基於評分的方法，以及用於因果推論的 do-演算。
• 強調在觀察性資料中，時間順序的整合是因果建模的先決條件。
• 示範使用計算工具如貝葉斯網絡、動態貝葉斯網絡與結構方程模型來建模時間依賴的因果關係。

实验结果

研究问题

• RQ1 哲學與物理學中對時間與因果關係的觀點如何影響計算建模方法？
• RQ2 在資料分析中，時間發現與因果發現有何區別？
• RQ3 哪些計算技術可實現對資料中時間延展關係與因果關係的自動識別？
• RQ4 如何形式化編碼時間先決條件，並在因果推論系統中加以利用？
• RQ5 現有用於在時間有序資料中發現因果關係的演算法存在哪些限制與假設？

主要发现

• 時間是因果關係中一個基本但非顯而易見的組成部分，時間先決條件雖為必要條件，但不足以單獨支持因果推論。
• 時間發現專注於識別隨時間展開的模式或依賴關係，例如重複序列或趨勢。
• 因果發現旨在推斷事件之間的定向影響，通常需要干預或條件獨立性檢驗。
• 貝葉斯網絡與結構方程模型等計算工具在建模時間依賴的因果關係方面非常有效。
• 將時間順序整合進因果模型可顯著提升因果推論的準確性與可解釋性。
• 儘管已有進展，但在處理潛在混雜變數、未觀測變數與現實世界時間與因果發現任務中的資料稀疏性方面，挑戰依然存在。