用途:该技能围绕 Bengio 倡导的因果推断,服务于“System 2”式的缓慢、审慎推理,区别于当前快速但易被欺骗的“System 1”深度学习。目标包括干预推理(做 X 会怎样)、反事实推理(如果…会怎样)、跨域迁移与对分布偏移的鲁棒性。
主要能力:
- 结构因果模型(SCM):由变量、因果图(DAG)与结构方程构成;intervene 用常数替换某变量方程以切断其入边,counterfactual 通过溯因(推断噪声项)、行动(施加干预)、预测三步计算反事实结果。
- 因果发现:提供基于约束的 PC 算法,以及用 GFlowNet 采样与似然成比例的 DAG 分布,以刻画因果图的不确定性。
- System 2 深度学习:由快速直觉的 System 1 网络、缓慢因果推理的 System 2 推理器及动态注意力组成,按置信度融合两者;并给出因果注意力思路,即按因果效应而非相关性重加权。
- 关键性质:不变性、模块性、可组合性、可识别性。
使用方式:资料给出 Python 类与方法的接口示例(如 pc(self.data.values)、CausalDAGGFlowNet 训练与采样),以及 Ruby 模块 CausalInference 的 intervene 与 counterfactual 方法;同时列出 GF(3) 三元组的组合关系。
适用场景:需要在 AI 系统中进行干预与反事实分析、学习因果结构、构建因果世界模型的情形。
限制:资料未提供安装命令、依赖版本、运行环境要求、性能与效果数据、收费信息;具体实现细节与可用性需另行验证。