pearl 图灵奖得主讲座无人问津，贝叶斯之父Judea Pearl落寞身影背后引人深思

美国计算机科学家和哲学家朱迪亚·珀尔以倡导人工智能的概率方法和贝叶斯网络的发展而闻名。他还建立了基于结构模型的因果和反事实推理理论。他是2011年ACM图灵奖的获得者，这是计算机科学领域的最高荣誉。“他通过发展概率演算和因果推理对人工智能做出了巨大贡献”。

朱迪亚·珀尔1936年出生于英国的巴勒斯坦。她搬到了波兰的父母那里，并于1960年从Technion获得了电气工程学士学位。1960年移居美国。他于1961年获得纽瓦克工程学院电气工程硕士学位。随后，他在罗格斯大学获得了物理学硕士和博士学位。1965年，他获得了纽约大学坦顿工程学院的电气工程学位。他负责RCA超导参数和存储设备研究实验室的半导体相关工作，以及电子存储公司的先进存储系统。后来，他于1970年加入加州大学洛杉矶分校工程学院，开始研究概率人工智能。他是《因果推理杂志》的创始编辑之一。

或者以概率的方式:

对事件提供的信息进行调整非常重要:X = x，Y = y，因为这个信息是代理人独有的，并且具有代理人的总结动机、反应模式等特点，否则不易察觉。这些类型的反事实句已经在SCM的框架内进行了深入的分析，现在我们可以很好的理解他们可以从中估计的条件和数据，包括实验和观察。这句话的一个简单版本，叫做效果疗法，引起了经济学和流行病学的极大关注，写道:

例如，在职业培训的背景下，ETT描述了治疗的效果，或者更确切地说，选择加入计划的人的预期收入。很明显，ETT比收入的平均治疗效果，以及接受过全部未培训人口的平均收入，更是衡量项目效果的信息。ETT关注的是参与计划的特定选区，这种一致性可能不像整个人口。对于保证高收入的人来说，这可能是一个极端的例子，也可能是缺乏培训。

在个人决策的背景下，ETT会抓住一个代理说:“我是Action X = x，如果我改变主意了，Action X = X怎么办？恰恰相反？”很显然，在很多决策情境中，这种情况无处不在，尤其是那些正在学习情绪的代理人。再次，代理人的意图，X = x，带有关于代理人具体特征的重要信息，不可忽略。比如一个代理人说:“我马上要去医院了。我应该吗？”可能有不同的医疗紧急程度，而不是从人群中随机选取。

这些考虑导致的结论是，在个人决策中，正确的目标函数应该是ETT而不是ATE。换句话说，我们应该选择最大化所有动作X = x，ET T = E上的动作，而不是最大化标准文献中要完成的AT E = E)。

为了验证这些观点，巴瑞宾、福尼和珀尔将ETT度量作为主动机器学习的原型范例引入到MAB问题的背景中。在这种情况下，代理试图在不知道的情况下玩老虎机娱乐场中每个可用机器的预期收入。因此，代理必须平衡他需要知道哪台机器可以提供最高回报的信息，并需要使用该回报在任何给定时间可用。。在这个上下文标准中选择的度量是ATE，它是随机估计的。换句话说，代理人在任何时候选择一台机器x0来最大化他的平均回报y，并通过实验确定该机器是从赌场的哪些机器中随机选择的。当ATE指数被ETT取代时，代理可以探索机器的任何策略，但说到优化，标准是ETT，而不是ATE。仿真结果表明，性能和收敛速度均有明显提高。

然而，如何从收集的可用数据中估计ETT？好在结构框架明确决定了ETT可以综合考虑条件观察和实验数据。这些条件大多需要模型的一些知识，只有一个除外:动作是二进制的时候。此外，在非二进制行为的情况下，MAB设置允许我们稍后随机化，即代理记录他/她的机器选择，暂停，进行随机实验，然后实现可能不同于预期的ETT最佳动作。以这种方式，创建了一个数据库，其中意图和选择的动作可能不同。这反过来使我们能够根据当前的意图在任何给定的点选择一个动作来最大化期望的回报。我们把这种策略称为“有针对性的优化”，用它来表现利用代理人的意图作为有用信息来源的优势。

当然，只有当有价值的信息反映了未发现的混杂因素时，它才会影响没有记录过去的代理人的选择。我们怀疑这种未被观察到的混淆因素在大多数决策情况下是普遍存在的。

然而，基于意图的优化的价值超出了它在多个领域的成功。它包含我们认为可以提取反事实信息的关键实验。关键是要让代理暂停，审核，然后采取行动，这可能与他们的初衷相悖。记录制定结果、个人意图提供的信息和暂停审议后的行为之间的差异的能力，这使得反事实可以估计。正是这些信息使我们能够跨越因果关系的第二层和第三层之间的障碍。这种能力不是很多盗匪独有的。每个孩子都经历过他/她的停顿和思考:我能做得更好吗？如果心理记录保留了这些经历，我们就有了反现实的实验语义，用令人遗憾的句子去想“我本来可以做得更好”。当然，这种新的语义值得探索。

文章编辑:人工智能技术社区

原参考链接:1。https://www.facebook.com/yann.lecun/posts/10154938130592143

2 . https://machine things . WordPress . com/2017/07/22/the-可信性-短期-机器-感知/

3 . https://www . Reddit . com/r/machine learning/comments/7 hy 85/n _ Ali _ rahimis _ talk _ at _ nip snips _ 2017 _ testoftime/

4 . https://machine things . WordPress . com/2017/12/08/the-role-of-theory-in-deep-learning/

5 . https://www . Facebook . com/search/str/yann+le Cun+alchemy/keywords _ search

6 . http://web . cs . UCLA . edu/~ Kaoru/theory-damages . pdf