更改

上述模型均基于以下假设：

上述模型均基于以下假设：

* '''<font color='#ff8000'>Y 不存在其他原因 There are no other causes of Y</font>''' 。

* '''Y 不存在其他原因。 '''  

* '''<font color='#ff8000'>X 和 E 不存在共同的原因 X and E have no common causes</font> '''。

* '''X 和 E 不存在共同的原因。'''

* '''<font color='#ff8000'>原因的分布独立于因果机制 Distribution of cause is independent from causal mechanisms</font>''' 。

* '''原因的分布独立于因果机制 。 '''

在直观的层面上，联合分布 P（起因 , 结果）到 P（起因）* P（结果 | 起因）拆分的主意通常产生模型的总复杂性低于将 P（起因 , 结果）到 P（结果）* P（起因 | 结果）的拆分。尽管“复杂性”的概念在直觉上很吸引人，但对于应该如何精确定义它却并不显而易见。<ref name="Mooij"/>另一种不同类族的方法尝试从大量被标记的数据中发现因果的“足迹”，并且允许预测更灵活的因果关系。<ref>Lopez-Paz, David, et al. "[http://www.jmlr.org/proceedings/papers/v37/lopez-paz15.pdf Towards a learning theory of cause-effect inference]" ICML. 2015</ref>

在直观的层面上，联合分布<math> P（起因 , 结果）到 P（起因）* P（结果 | 起因）</math>拆分的主意通常产生模型的总复杂性低于将<math> P（起因 , 结果）到 P（结果）* P（起因 | 结果）</math>的拆分。尽管“复杂性”的概念在直觉上很吸引人，但对于应该如何精确定义它却并不显而易见。<ref name="Mooij"/>另一种不同类族的方法尝试从大量被标记的数据中发现因果的“足迹”，并且允许预测更灵活的因果关系。<ref>Lopez-Paz, David, et al. "[http://www.jmlr.org/proceedings/papers/v37/lopez-paz15.pdf Towards a learning theory of cause-effect inference]" ICML. 2015</ref>

<br>

<br>