Learning Causal Structures from Data

I denna rapport genomför vi en avskanning av forskningen inom inlärning och upptäckt av kausala relationer inom artificiell intelligens (AI). Motivationen för att undersöka detta forskningsfält är finna hur viktig kausalitet är i militärt beslutsfattande. Området maskininlärning inom AI har sett stora framsteg under de senaste åren. Det finns emellertid en inneboende begränsning i den dominerande sortens maskininlärningsmetoder, vilka bygger på att hitta korrelationer i data. En korrelation mellan två händelser säger inget om huruvida den ena har orsakat den andra eller om en tredje händelse orsakar båda två. Genom att även ge algoritmer en uppfattning om kausalitet blir det möjligt att bättre förstå och resonera om omvärlden. För att tillåta användning av maskininlärning i militära system som normalt endast identifierar korrelationer mellan händelser och fenomen så måste man veta alla möjliga orsakssamband på förhand. Detta kräver en mycket hög förståelse av alla möjliga händelser och fenomen. Om denna kunskap inte är tillgänglig så är metoder för att lära sig kausala relationer nödvändiga.