反事实 - 版本历史

思无涯咿呀咿呀：/* 编者推荐 */

2021-06-06T08:18:51Z

编者推荐

思无涯咿呀咿呀：/* Ginsberg */

2021-06-06T08:14:38Z

Ginsberg

思无涯咿呀咿呀：/* 其他考虑 */

2021-06-06T08:12:50Z

其他考虑

思无涯咿呀咿呀：/* 可变严格条件 */

2021-06-06T08:10:29Z

可变严格条件

思无涯咿呀咿呀：/* 编者推荐 */

2021-06-02T08:48:58Z

编者推荐

Chancychen：/* 编者推荐 */

2021-06-02T08:19:26Z

编者推荐

Chancychen：/* 书籍推荐 */

2021-06-02T08:16:32Z

书籍推荐

Chancychen：/* 因果模型 */

2021-06-02T08:10:52Z

因果模型

Chancychen：/* 因果模型 */

2021-06-02T07:19:39Z

因果模型

Chancychen：/* 因果模型 */

2021-06-02T07:14:37Z

因果模型

←上一版本		2021年6月6日 (日) 08:18的版本
第228行：		第228行：
	* Foerster, Jakob, et al. "Counterfactual multi-agent policy gradients."		* Foerster, Jakob, et al. "Counterfactual multi-agent policy gradients."
	* Dash, Saloni, Vineeth N. Balasubramanian, and Amit Sharma. "Evaluating and Mitigating Bias in Image Classifiers: A Causal Perspective Using Counterfactuals."		* Dash, Saloni, Vineeth N. Balasubramanian, and Amit Sharma. "Evaluating and Mitigating Bias in Image Classifiers: A Causal Perspective Using Counterfactuals."
		+
		+	=== 文章总结 ===
		+
		+	[https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]
		+
		+	[https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]
		+
		+	[https://mp.weixin.qq.com/s/W6PIE211TavEgg_s3adDdg 因果表征学习最新综述：连接因果科学和机器学习的桥梁]
		+
		+	[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]
		+
		+	[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]
		+
		+	[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]
		+
		+	[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]
		+
		+	[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]
		+
		+	=== 相关路径 ===
		+	* [https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
		+	* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
		+	* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
		+	* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
		+	* [https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。
		+
		+

@@ 第199行： / 第199行： @@
 ====Ginsberg====
-Ginsberg(1986)提出了一种条件句的语义，它假定当前的信念形成了一组命题公式，考虑这些公式中与<math>''A''</math>一致的最大集合，并在每个集合中加入''A''</math>。其理由是，这些最大集合中的每一个都代表了一种可能的信念状态，在这种状态下，<math>''A''</math>为真，且与原始状态尽可能相似。因此，当且仅当<math>''B''</math>在所有这些集合中都为真时，条件陈述句<math>''A'' > ''B''</math>才成立。<ref name="rev. no. 03011">{{Citation |title=Review of the paper: M. L. Ginsberg, "Counterfactuals," Artificial Intelligence 30 (1986), pp. 35–79 |url=https://zbmath.org/?q=an:0655.03011&format=complete |work=Zentralblatt für Mathematik |pages=13–14 |year=1989 |publisher=FIZ Karlsruhe – Leibniz Institute for Information Infrastructure GmbH |zbl=0655.03011}}.</ref>
+Ginsberg(1986)提出了一种条件句的语义，它假定当前的信念形成了一组命题公式，考虑这些公式中与<math>''A''</math>一致的最大集合，并在每个集合中加入<math>''A''</math>。其理由是，这些最大集合中的每一个都代表了一种可能的信念状态，在这种状态下，<math>''A''</math>为真，且与原始状态尽可能相似。因此，当且仅当<math>''B''</math>在所有这些集合中都为真时，条件陈述句<math>''A'' > ''B''</math>才成立。<ref name="rev. no. 03011">{{Citation |title=Review of the paper: M. L. Ginsberg, "Counterfactuals," Artificial Intelligence 30 (1986), pp. 35–79 |url=https://zbmath.org/?q=an:0655.03011&format=complete |work=Zentralblatt für Mathematik |pages=13–14 |year=1989 |publisher=FIZ Karlsruhe – Leibniz Institute for Information Infrastructure GmbH |zbl=0655.03011}}.</ref>
 ==参考文献==

@@ 第195行： / 第195行： @@
 ====信念修正====
-在信念修正框架中，反事实是用 ''Ramsey检验''的形式化实现来处理的。在这些系统中，当且仅当在当前的知识体系添加 ''A''后得到的结果是B时，反事实''A'' > ''B''成立。这个条件将反事实条件与信念修正联系起来，因为对''A'' > ''B''的评价可以通过首先用''A''修正当前的知识，然后检查''B''在什么结果中是否为真。当''A''与当前的信念一致时，修正是很容易的，但在其他情况下可能会很难。每一个用于信念修正的语义都可以用于评价条件语句。反过来说，每一种评价条件语句的方法都可以被看作是一种执行修正的方法。
+在信念修正框架中，反事实是用 ''Ramsey检验''的形式化实现来处理的。在这些系统中，当且仅当在当前的知识体系添加 <math>''A''</math>后得到的结果是B时，反事实<math>''A'' > ''B''</math>成立。这个条件将反事实条件与信念修正联系起来，因为对<math>''A'' > ''B''</math>的评价可以通过首先用<math>''A''</math>修正当前的知识，然后检查<math>''B''</math>在什么结果中是否为真。当<math>''A''</math>与当前的信念一致时，修正是很容易的，但在其他情况下可能会很难。每一个用于信念修正的语义都可以用于评价条件语句。反过来说，每一种评价条件语句的方法都可以被看作是一种执行修正的方法。
 ====Ginsberg====
-Ginsberg(1986)提出了一种条件句的语义，它假定当前的信念形成了一组命题公式，考虑这些公式中与''A''一致的最大集合，并在每个集合中加入''A''。其理由是，这些最大集合中的每一个都代表了一种可能的信念状态，在这种状态下，''A''为真，且与原始状态尽可能相似。因此，当且仅当''B''在所有这些集合中都为真时，条件陈述句''A'' > ''B''才成立。<ref name="rev. no. 03011">{{Citation |title=Review of the paper: M. L. Ginsberg, "Counterfactuals," Artificial Intelligence 30 (1986), pp. 35–79 |url=https://zbmath.org/?q=an:0655.03011&format=complete |work=Zentralblatt für Mathematik |pages=13–14 |year=1989 |publisher=FIZ Karlsruhe – Leibniz Institute for Information Infrastructure GmbH |zbl=0655.03011}}.</ref>
+Ginsberg(1986)提出了一种条件句的语义，它假定当前的信念形成了一组命题公式，考虑这些公式中与<math>''A''</math>一致的最大集合，并在每个集合中加入''A''</math>。其理由是，这些最大集合中的每一个都代表了一种可能的信念状态，在这种状态下，<math>''A''</math>为真，且与原始状态尽可能相似。因此，当且仅当<math>''B''</math>在所有这些集合中都为真时，条件陈述句<math>''A'' > ''B''</math>才成立。<ref name="rev. no. 03011">{{Citation |title=Review of the paper: M. L. Ginsberg, "Counterfactuals," Artificial Intelligence 30 (1986), pp. 35–79 |url=https://zbmath.org/?q=an:0655.03011&format=complete |work=Zentralblatt für Mathematik |pages=13–14 |year=1989 |publisher=FIZ Karlsruhe – Leibniz Institute for Information Infrastructure GmbH |zbl=0655.03011}}.</ref>
 ==参考文献==

@@ 第171行： / 第171行： @@
 ====可变严格条件====
-在可变严格方法中，条件''A'' > ''B''的语义是由一些函数给出的，一方面是A为真、B为真的世界，另一方面是A为真、B为假的世界的相对接近程度。
+在可变严格方法中，条件<math>''A'' > ''B''</math>的语义是由一些函数给出的，一方面是<math>A</math>为真、<math>B</math>为真的世界，另一方面是<math>A</math>为真、<math>B</math>为假的世界的相对接近程度。
-在刘易斯的论述中，A > C 是(a)空洞的真实，只有在没有A为真的世界时（例如，如果A在逻辑上或形而上学上是不可能的）；(b)非空洞的真实，只有在A为真的世界中，一些C为真的世界比任何C不为真的世界更接近实际世界；或者(c)虚假，在其他世界里。尽管在刘易斯的《反事实》中，他对“接近性（closeness）”的意思并不清晰，但在后来的著作中，刘易斯明确表示，他并不打算将“接近性”的尺度简单地作为我们对整体相似性的普通概念。
+在刘易斯的论述中，<math>A > C</math> 是(a)空洞的真实，只有在没有A为真的世界时（例如，如果A在逻辑上或形而上学上是不可能的）；(b)非空洞的真实，只有在A为真的世界中，一些C为真的世界比任何C不为真的世界更接近实际世界；或者(c)虚假，在其他世界里。尽管在刘易斯的《反事实》中，他对“接近性（closeness）”的意思并不清晰，但在后来的著作中，刘易斯明确表示，他并不打算将“接近性”的尺度简单地作为我们对整体相似性的普通概念。
 例子：
@@ 第182行： / 第182行： @@
 过去式作为情态动词的方法，过去时的外延从根本上说不是关于时间的。相反，它是一个未指定的框架，既可以应用于模态内容，也可以应用于时态内容。例如，Iatridou (2000)的特殊过去式作为情态提议，过去式的核心含义是下面的图示:
-Stalnaker的论述与Lewis的论述最明显的不同在于，他接受了“极限（limit）”和“唯一性假设（uniqueness assumptions）”。唯一性假设的论点是：对于任何前件A，在A为真的可能世界中，有一个最接近实际世界的单一（唯一）世界。极限假设的论点是，对于一个给定的前件A，如果存在一个A为真的可能世界链，每个世界都比它的前一个世界更接近实际世界，那么这个链就有一个极限：一个A为真的可能世界比这个链中的所有世界更接近实际世界。（唯一性假设包含了极限假设，但极限假设并不包含唯一性假设）。根据Stalnaker的观点，当且仅当在最接近A为真的世界中，C为真时，A>C才是非空洞的真。因此，上面的例子是真的，只是在他吃了更多早餐的唯一最接近的世界中，他在上午11点不觉得饿。虽然有争议，但Lewis拒绝了极限假设（因此也拒绝了唯一性假设），因为它排除了这样一种可能性，即可能存在着越来越接近实际世界的世界，而没有极限。例如，可能会有一系列无限的世界，每个世界的咖啡杯都在其实际位置的左边小几分之一英寸，但其中没有一个是唯一最接近的。（参见Lewis 1973: 20）。
+Stalnaker的论述与Lewis的论述最明显的不同在于，他接受了“极限（limit）”和“唯一性假设（uniqueness assumptions）”。唯一性假设的论点是：对于任何前件A，在A为真的可能世界中，有一个最接近实际世界的单一（唯一）世界。极限假设的论点是，对于一个给定的前件A，如果存在一个A为真的可能世界链，每个世界都比它的前一个世界更接近实际世界，那么这个链就有一个极限：一个A为真的可能世界比这个链中的所有世界更接近实际世界。（唯一性假设包含了极限假设，但极限假设并不包含唯一性假设）。根据Stalnaker的观点，当且仅当在最接近A为真的世界中，C为真时，A>C</math>才是非空洞的真。因此，上面的例子是真的，只是在他吃了更多早餐的唯一最接近的世界中，他在上午11点不觉得饿。虽然有争议，但Lewis拒绝了极限假设（因此也拒绝了唯一性假设），因为它排除了这样一种可能性，即可能存在着越来越接近实际世界的世界，而没有极限。例如，可能会有一系列无限的世界，每个世界的咖啡杯都在其实际位置的左边小几分之一英寸，但其中没有一个是唯一最接近的。（参见Lewis 1973: 20）。
-Stalnaker接受唯一性假设的一个结果是，如果排除中间律是真的，那么公式(A>C)∨(A>¬C)的所有实例都是真的。排他性中间律的论题是：对于所有命题p，p∨¬p都是真的。如果唯一性假设为真，那么对于每一个前件A，都有一个唯一最接近的世界，其中A为真。如果排除中间法则是真的，任何结果C在A为真的那个世界里要么是真，要么是假。所以对于每一个反事实A>C，要么A>C，要么A>¬C为真。这就是所谓的条件排除中间法（CEM）。例子：
+Stalnaker接受唯一性假设的一个结果是，如果排除中间律是真的，那么公式<math>(A>C)∨(A>¬C)</math>的所有实例都是真的。排他性中间律的论题是：对于所有命题<math>p</math>，<math>p∨¬p</math>都是真的。如果唯一性假设为真，那么对于每一个前件A，都有一个唯一最接近的世界，其中A为真。如果排除中间法则是真的，任何结果C在A为真的那个世界里要么是真，要么是假。所以对于每一个反事实<math>A>C，要么<math>A>C</math>，要么<math>A>¬C</math>为真。这就是所谓的条件排除中间法（CEM）。例子：
 :(1) 如果公平的硬币被抛出，它将会正面朝上。
@@ 第190行： / 第190行： @@
 根据Stalnaker的分析，存在一个最接近的世界，在这个世界里，(1)和(2)中提到的公平的硬币被抛出，硬币要么正面朝上，要么反面朝上。因此，要么（1）是真，（2）是假，要么（1）是假，（2）是真。然而，根据Lewis的分析，(1)和(2)都是假的，因为公平的硬币正面朝上的世界并不比反面朝上的世界更接近或更远离。对Lewis来说，“如果硬币被抛出，它将正面朝上或反面朝上”是真的，但这并不意味着“如果硬币被抛出，它将落在正面”，或“如果硬币被抛出，它就会反面朝上”。
 === 其他考虑===

@@ 第208行： / 第208行： @@
 ==编者推荐==
 ===书籍推荐===
-[[File:复杂.jpg|200px|thumb|right|《复杂》封面]]
+[[File:统计因果推理入门.jpg|200px|thumb|right|《统计因果推理入门》封面]]
 *[[统计因果推理入门]] 对应英文[[Causal Inference in Statistics: A Primer]]

←上一版本		2021年6月2日 (三) 08:19的版本
第219行：		第219行：
	::本课程中，上海交通大学陈晗曦同学将带领大家将走进反事实的世界，了解什么是反事实问题以及生活中会遇到的反事实问题，给出反事实的定义、反事实在结构模型和图模型中的意义和解释，介绍两条反事实基本定理。		::本课程中，上海交通大学陈晗曦同学将带领大家将走进反事实的世界，了解什么是反事实问题以及生活中会遇到的反事实问题，给出反事实的定义、反事实在结构模型和图模型中的意义和解释，介绍两条反事实基本定理。

−		+	===相关论文推荐===
		+	* Wei, Tianxin, et al. "Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in Recommender System."
		+	* Kusner, Matt J., et al. "Counterfactual fairness."
		+	* Johansson, Fredrik, Uri Shalit, and David Sontag. "Learning representations for counterfactual inference."
		+	* Hartford, Jason, et al. "Deep IV: A flexible approach for counterfactual prediction."
		+	* Goyal, Yash, et al. "Counterfactual visual explanations."
		+	* Russell, Christopher, et al. "When worlds collide: integrating different counterfactual assumptions in fairness."
		+	* Foerster, Jakob, et al. "Counterfactual multi-agent policy gradients."
		+	* Dash, Saloni, Vineeth N. Balasubramanian, and Amit Sharma. "Evaluating and Mitigating Bias in Image Classifiers: A Causal Perspective Using Counterfactuals."

←上一版本		2021年6月2日 (三) 08:16的版本
第212行：		第212行：

	关于因果的讨论很多，但是许多入门的教材只是为没有统计学基础的读者介绍如何使用统计学技术处理因果性问题，而没有讨论因果模型和因果参数，本书希望协助具有基础统计学知识的教师和学生应对几乎在所有自然科学和社会科学非试验研究中存在的因果性问题。本书聚焦于用简单和自然的方法定义因果参数，并且说明在观察研究中，哪些假设对于估计参数是必要的。我们也证明这些假设可以用显而易见的数学形式描述出来，也可以用简单的数学工具将这些假设转化为量化的因果关系，如治疗效果和政策干预，以确定其可检测的内在关系。		关于因果的讨论很多，但是许多入门的教材只是为没有统计学基础的读者介绍如何使用统计学技术处理因果性问题，而没有讨论因果模型和因果参数，本书希望协助具有基础统计学知识的教师和学生应对几乎在所有自然科学和社会科学非试验研究中存在的因果性问题。本书聚焦于用简单和自然的方法定义因果参数，并且说明在观察研究中，哪些假设对于估计参数是必要的。我们也证明这些假设可以用显而易见的数学形式描述出来，也可以用简单的数学工具将这些假设转化为量化的因果关系，如治疗效果和政策干预，以确定其可检测的内在关系。
		+
		+	*[[Counterfactuals and Causal Inference: Methods and Principles for Social Research]]

	===课程推荐===		===课程推荐===

@@ 第60行： / 第60行： @@
 <font color="#ff8000">因果模型框架 Causal Models Framework</font>从<font color="#ff8000">结构方程（structural equations）Structural Equation Model</font>系统的角度分析反事实。在一个方程系统中，每个变量都被分配了一个值，这个值是系统中其他变量的显式函数。给定这样一个模型，“如果X是X，Y就会是Y（''Y'' would be ''y'' had ''X'' been ''x''）”这个句子 (形式上为  ''X = x'' > ''Y = y'' )被定义为断言。如果我们用一个常数''X = x''取代当前决定 ''X''的方程，并求解变量''Y''的方程组，得到的解将是''Y = y''。这个定义已被证明与可能世界语义学的公理兼容，并构成自然科学和社会科学中因果推理的基础。因为这些领域的每个结构方程都对应于一个熟悉的因果机制，这个因果机制可以被研究者进行有意义地推理。这种方法是由Judea Pearl(2000)提出的，作为编码关于因果关系的细粒度直觉的手段，这些直觉在其他提议的系统中难以捕捉。<ref name="Pearl2000">{{Cite book |last=Pearl |first=Judea |title=Causality |publisher=Cambridge University Press |year=2000 }}</ref>
-===因果模型下的定义===
+===因果模型下的反事实定义===
 令X和Y是变量集合V中的两个子集，反事实语句“（在情况u下）假如X取x，那么Y可能取到y”可以等价地用数学符号<math> Y_x(u)  </math>来描述，表明变量集Y对X取x的反应。
 ===反事实基本定理===
 ====等价定理====
-令<math> M_x</math>表示结构方程模型M的修改版本（在关于X的结构方程中用X=x来代替），反事实具备下述等价性质：\\
+令<math> M_x</math>表示结构方程模型M的修改版本（在关于X的结构方程中用X=x来代替），反事实具备下述等价性质：
-<math>Y_x(u)=Y_{M_x}(u)</math>
+:<math>Y_x(u)=Y_{M_x}(u)</math>
 ====一致性定理====
-若X和Y是观测变量，<math>Y_x</math>为反事实变量，以下性质成立：\\
+若X和Y是观测变量，<math>Y_x</math>为反事实变量，以下性质成立：
-<math>if \  X = x, \  then \  Y_x=Y</math>。
+:<math>if \  X = x, \  then \  Y_x=Y</math>
 ==逻辑和语义==

←上一版本		2021年6月2日 (三) 07:14的版本
第60行：		第60行：
	<font color="#ff8000">因果模型框架 Causal Models Framework</font>从<font color="#ff8000">结构方程（structural equations）Structural Equation Model</font>系统的角度分析反事实。在一个方程系统中，每个变量都被分配了一个值，这个值是系统中其他变量的显式函数。给定这样一个模型，“如果X是X，Y就会是Y（''Y'' would be ''y'' had ''X'' been ''x''）”这个句子 (形式上为 ''X = x'' > ''Y = y'' )被定义为断言。如果我们用一个常数''X = x''取代当前决定 ''X''的方程，并求解变量''Y''的方程组，得到的解将是''Y = y''。这个定义已被证明与可能世界语义学的公理兼容，并构成自然科学和社会科学中因果推理的基础。因为这些领域的每个结构方程都对应于一个熟悉的因果机制，这个因果机制可以被研究者进行有意义地推理。这种方法是由Judea Pearl(2000)提出的，作为编码关于因果关系的细粒度直觉的手段，这些直觉在其他提议的系统中难以捕捉。<ref name="Pearl2000">{{Cite book \|last=Pearl \|first=Judea \|title=Causality \|publisher=Cambridge University Press \|year=2000 }}</ref>		<font color="#ff8000">因果模型框架 Causal Models Framework</font>从<font color="#ff8000">结构方程（structural equations）Structural Equation Model</font>系统的角度分析反事实。在一个方程系统中，每个变量都被分配了一个值，这个值是系统中其他变量的显式函数。给定这样一个模型，“如果X是X，Y就会是Y（''Y'' would be ''y'' had ''X'' been ''x''）”这个句子 (形式上为 ''X = x'' > ''Y = y'' )被定义为断言。如果我们用一个常数''X = x''取代当前决定 ''X''的方程，并求解变量''Y''的方程组，得到的解将是''Y = y''。这个定义已被证明与可能世界语义学的公理兼容，并构成自然科学和社会科学中因果推理的基础。因为这些领域的每个结构方程都对应于一个熟悉的因果机制，这个因果机制可以被研究者进行有意义地推理。这种方法是由Judea Pearl(2000)提出的，作为编码关于因果关系的细粒度直觉的手段，这些直觉在其他提议的系统中难以捕捉。<ref name="Pearl2000">{{Cite book \|last=Pearl \|first=Judea \|title=Causality \|publisher=Cambridge University Press \|year=2000 }}</ref>

		+	===因果模型下的定义===
		+	令X和Y是变量集合V中的两个子集，反事实语句“（在情况u下）假如X取x，那么Y可能取到y”可以等价地用数学符号<math> Y_x(u) </math>来描述，表明变量集Y对X取x的反应。

		+	===反事实基本定理===
		+	====等价定理====
		+	令<math> M_x</math>表示结构方程模型M的修改版本（在关于X的结构方程中用X=x来代替），反事实具备下述等价性质：
		+	<math>Y_x(u)=Y_{M_x}(u)</math>

	==逻辑和语义==		==逻辑和语义==