耿家兴，万亚平,2，李洪飞

(1.南华大学 计算机学院，湖南 衡阳 421001；2.中核集团高可信计算重点学科实验室，湖南 衡阳 421001)

0 引 言

随着机器学习、深度学习等人工智能算法的崛起，人们逐渐意识到不能单纯地关注数据的相关性。2011年图灵奖得主Judea Pearl[1]认为人工智能深陷关联概率的泥潭从而忽视了因果，同时Judea Pearl认为研究者应该研究因果，因为这可能是实现真正的人工智能的可能路径。随着因果推断的深入研究，基于因果推断的应用也越来越多，例如在fMRI数据上的分析和分子发现途径研究；Statnikov等人[2]在2012提出了基因组学数据中因果分子相互作用的鉴定方法；Ma Sisi在2017年的工作中讨论了生物医学中观察数据可用于因果发现[3]，以及在网络性能优化[4]、网购服装推荐[5]、社会媒体应用等[6]领域都有相关应用。因此因果推理正在成为机器学习领域一个越来越受关注的研究方向。现阶段的因果发现主要是在不进行任何干预的情况下确定两个变量之间的因果方向，这是一项具有挑战性的工作。在近阶段的因果发现研究进展中允许在某种假设下，基于纯粹观察数据推断两个变量之间的因果方向。然而在现实世界中观察到的数据往往由多种生成方式产生，这使得传统的因果推断方法存在识别率不高和稳定性较差的现象。

1 相关工作

目前在二元变量上的因果推断方法主要有两种，第一种是基于时序数据的因果方向推断，第二种是基于非时序数据的因果关系发现，现阶段研究比较多的是基于非时序数据的因果推断。……