更改

====因果表示学习====

====因果表示学习====

[[因果表示学习]]是人工智能中的一个新兴领域，它试图将机器学习中的两个重要领域：[[表示学习]]和[[因果推断]]结合起来，尝试结合各自的优势，自动提取数据背后的重要特征和因果关系<ref>B. Sch ̈olkopf, F. Locatello, S. Bauer, N. R. Ke, N. Kalchbrenner, A. Goyal, Y. Bengio, Toward causal representation learning, Proceedings of the IEEE 109 (5) (2021) 612–634.</ref>。基于有效信息的因果涌现识别可以等价于一种因果表示学习任务。从数据中识别因果关系的涌现，等价于学习数据背后的潜在因果关系。具体来说，我们可以把宏观状态可以看成因果变量，宏观动力学学习器类比为因果机制，粗粒化策略可以看作是一个从原始数据到因果变量的编码过程，有效信息可以理解为对机制的因果效应强度的衡量。由于这两者存在很多相似之处，这就使得两个领域的技术和概念可以相互借鉴。例如，[[因果表示学习]]技术可以应用于识别因果涌现，反过来，学习到的抽象因果表征可以被解释为一种宏观状态，从而增强因果表征学习的可解释性。但是两者也存在显著差异，主要包括两点：1）因果表示学习假设其背后存在一个真实的[[因果机制]]，数据是由这个因果机制产生的，然而宏观层面涌现出的状态和动力学之间可能并不存在“真正的因果关系”；2）因果涌现中的粗粒化后的宏观状态是一种低维的描述，然而因果表示学习中并没有这个要求。从认识论的视角看，两者并不存在差异，因为两者所做的都是从观察数据中提取有效信息，从而获得具有因果效应更强的表征。

[[因果表示学习]]是人工智能中的一个新兴领域，它试图将机器学习中的两个重要领域：[[表示学习]]和[[因果推断]]结合起来，尝试结合各自的优势，自动提取数据背后的重要特征和因果关系<ref>B. Sch ̈olkopf, F. Locatello, S. Bauer, N. R. Ke, N. Kalchbrenner, A. Goyal, Y. Bengio, Toward causal representation learning, Proceedings of the IEEE 109 (5) (2021) 612–634.</ref>。基于有效信息的因果涌现识别可以等价于一种因果表示学习任务。从数据中识别因果关系的涌现，等价于学习数据背后的潜在因果关系。具体来说，我们可以把宏观状态看成因果变量，宏观动力学学习器类比为因果机制，粗粒化策略可以看作是一个从原始数据到因果变量的编码过程，有效信息可以理解为对机制的因果效应强度的衡量。由于这两者存在很多相似之处，这就使得两个领域的技术和概念可以相互借鉴。例如，[[因果表示学习]]技术可以应用于识别因果涌现，反过来，学习到的抽象因果表征可以被解释为一种宏观状态，从而增强因果表征学习的可解释性。但是两者也存在显著差异，主要包括两点：1）因果表示学习假设其背后存在一个真实的[[因果机制]]，数据是由这个因果机制产生的，然而宏观层面涌现出的状态和动力学之间可能并不存在“真正的因果关系”；2）因果涌现中的粗粒化后的宏观状态是一种低维的描述，然而因果表示学习中并没有这个要求。从认识论的视角看，两者并不存在差异，因为两者所做的都是从观察数据中提取有效信息，从而获得具有因果效应更强的表征。

{| class="wikitable"

{| class="wikitable"