除了相关性和迷信:AI权力因果关系的新模式

现实问题在经济学和公共卫生难以坚果可以找到原因。通常,多种原因被怀疑但大型数据集与时序数据不可用。先前的模型不能可靠地分析这些挑战。现在约翰内斯堡大学的研究人员和国家在印度理工学院Rourkela已经测试了第一个人工智能模型,可以解决这些问题。

除了迷信

不好的事发生在一个人的时候,人类试图找出为什么它的发生而笑。是什么导致了它吗?如果我们理解,可以下次避免同样的结果。然而,我们使用的一些方法来理解事件,比如迷信,无法解释这是怎么回事。也没有关系——只能说事件B四围同时事件发生。

知道是什么导致了一个事件,我们需要看看因果关系:信息流动从一个事件到另一个地方。信息流,显示有一个因果关系,事件引起的事件。但当流从事件的时序信息事件B是失踪?现在我们需要一般因果关系来确定原因。

一般的胡桃夹子

数学模型一般因果关系一直非常有限,工作两个原因。现在人工智能在一个巨大的突破,研究人员已经开发出第一个健壮的模型一般因果关系识别多个因果连接没有时序数据:多元添加剂噪声模型(MANM)。

“独特,模型可以识别多个层次因果因素。它即使数据与时间序列是不可用的。模型带来了重大机遇分析复杂现象在经济学等领域疾病暴发,气候变化和保护,”教授说Tshilidzi Marwala,人工智能(AI),副校长和教授和全球大学人工智能和经济学专家约翰内斯堡,南非。

“模型特别有用在区域、国家和全球层面控制或自然实验是不可能的,”Marwala补充道。

该模型模拟测试,真实的数据集。该研究发表在《神经网络。

猫和猫头鹰,但因果关系

“如果一只黑猫跑过马路,或猫头鹰咄屋顶,有些人相信会发生很不利。一个人可以认为看到猫之间有一个连接或猫头鹰,后来发生了什么。然而,从人工智能的角度来看,我们说没有猫之间的因果联系,猫头鹰,看到他们的人会发生什么。猫和猫头鹰被认为在事件之前,但他们仅仅是相关时间和发生了什么之后,“Marwala教授说。

与此同时,在猫头鹰坐在的房子,更多的事情可能会发生。家庭内部可能陷入债务越来越深。这样的财务状况可以对家庭越来越多的严重的限制,最终成为一个陷阱可以没有逃脱。但是那里的人明白为什么——实际的因果连接之间发生了什么,他们所做的事情和他们的债务水平?

因果关系在家庭层面

坚持家庭债务的原因是一个很好的例子,新模型的能力,博士后研究员Pramod Kumar Parida博士说,这项研究的主要作者的文章。

“在家庭层面上可以问:家庭损失了部分或全部的收入吗?部分或全部成员支出超出了他们的收入吗?家庭成员发生了一件事,迫使巨大的花,如医疗或残疾的账单吗?他们使用自己的储蓄或投资,已经用完了吗?这些事情发生的是一个组合,如果是这样的话,哪些是债务的更主要原因?”

如果有足够多的关于家庭的金融交易数据是可用的,包括日期和时间信息,有可能有人算出实际收入之间的因果关系,消费,储蓄,投资和债务。

在这种情况下,简单的因果关系理论能充分了解为什么这个家庭是挣扎。

一般因果关系在社会层面上

但Parida报道说,如果一个人问:“什么是真正的原因大多数人在一个城市或一个地区经济困难吗?他们为什么不走出债务呢?“现在不再是一个团队的人可以从可用的数据算出来。现在打开了一个全新的数学挑战。

“特别是如果你想实际家庭收入之间的因果关系,消费,储蓄和债务的城市或地区,而不是专家猜测或大多数人相信,”他补充道。

“在这里,因果关系理论不再工作了,因为金融交易数据城市或地区的家庭将是不完整的。另外,日期和时间信息将丢失一些数据。金融在低、中、高收入家庭可能截然不同,所以你会希望看到不同的原因分析,“Parida报道说。

”,这个模型中,您可以确定可以识别多个主要驱动因素导致家庭债务。在模型中,我们称这些因素独立父母因果联系。您还可以看到因果连接比其他人更占主导地位。其次通过数据,您还可以看到小的驱动因素,我们称之为独立儿童因果联系。通过这种方式,可以确定一个可能的因果关系的层次结构。”

大大改善了因果分析

多元添加剂噪声模型(MANM)提供了更好的因果分析比目前使用行业标准模型在真实数据集,说教授合著者Snehashish Chakraverty,应用数学组,数学系,研究所技术Rourkela,印度。

“为了提高复杂地区家庭债务或医疗等问题的挑战,它可能不足以的知识模式的债务,或疾病的风险。相反,我们应该理解为什么这样的模式存在,改变它们的最佳方式。先前的模型开发的研究人员曾与两个因果的最大因素,这是他们二元模型,只是找不到多个功能依赖标准,”他说。

有向无环图

“MANM是基于有向无环图(无进取心的人),可以确定一个multi-nodal因果结构。MANM可以估计每一个可能的因果方向复杂的特性集,没有缺失或错误的方向,“Chakraverty补充道。

熟练的技艺的使用是一个重要原因MANM显著优于先前他人开发的模型,它是基于独立分量分析(ICA),如线性非高斯非循环模型(ICA-LiNGAM),贪婪的DAG搜索(GDS)和回归与重复检验独立测试(重考),他说。

“MANM的另一个关键特性是拟议的因果影响因素(CIF),成功发现因果方向的多变量系统。CIF分数提供了一个休闲的质量的可靠指标推断,可以避免大部分的缺失或错误的方向产生的因果结构,”Chakraverty总结道。

在哪里可以得到一个现有的数据集,MANM现在可以确定组内多个multi-nodal因果结构。作为一个例子,MANM可以识别多种原因的持久的家庭债务低,中等和高收入家庭在一个地区。

这篇文章被转载材料提供的约翰内斯堡大学。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。

参考:Parida p K。Marwala, T。& Chakraverty,美国(2018年)。一个多元添加剂噪声模型完成因果关系的发现。神经网络,103年,44-54。https://doi.org/10.1016/j.neunet.2018.03.013