混雜可以簡單地定義為導致p(y|x)≠p(y|do(x))，即兩個概率出現差異的所有因素。
為了去除x和y中的混雜，我們只需要阻斷它們之間的每個非因果路徑，而不去阻斷或干擾所有的因果路徑就可以了。
更確切地說，我們將後門路徑（back-door path）定義為所有x和y之間以指向x的箭頭為開始的路徑；如果我們阻斷了所有的後門路徑（因為這些路徑允許x和y之間的偽相關資訊在管道中流通），則我們就完成了對x和y的去混雜。如果我們試圖通過控制某一組變數z來實現這一點，那麼我們還需要確保z的任何成員都不是x的後代，否則我們就可能部分或完全地關閉這條x與y之間的因果路徑。
因果推斷（Causal Inference）概要
隨便配的圖，其實佛教的因果和我們這裡的因果還不太一樣的。這裡簡單談一下因果學習相關的一些最為基礎的東西。首先，所謂因果性與相關性不同，相關性指的是如果我們觀測到了乙個變數x的分布，就能推斷出另乙個變數y的分布的話，那麼說明x和y是有相關性的。而因果性則強調，如果我們操作了某個變數x，而這種操作 ma...
因果推斷 因果關係之梯
關聯 第一層級 通過觀察尋找規律。如果觀察到某一事件改變了觀察到另一事件的可能性，我們便說這一事件與另一事件相關聯。基於被動觀察做出 典型問題是 如果我觀察到 會怎樣？當今的人工智慧仍處於第一層級，強人工智慧的目標是製造出擁有人類智慧型的機器，讓它們能與人類交流並指導人類的探索方向。而深度學習只是讓...