Utkarshni Jaimini: 我致力于研究因果神经符号AI，旨在提升人工智能系统的可解释性，使其能够像人类一样理解因果关系，而不仅仅是依赖统计相关性。统计学在处理安全关键型应用时存在局限性，例如医疗保健，仅仅依赖相关性可能会导致错误的结论，危及人类生命。因此，我们需要在AI系统中引入因果推理，以确保其决策的可靠性和安全性。我通过知识图谱来表示因果关系，并使用神经符号方法将知识图谱转换为向量空间，从而实现链接预测等任务。同时，我也关注知识图谱中可能存在的虚假相关关系，并提出了因果LP back等方法来减轻这些关系的影响。我的最终目标是创建一个整体框架，将贝叶斯网络和领域知识整合到一个空间中，从而实现更可靠、更可解释的AI系统。
Utkarshni Jaimini: 为了更深入地理解因果关系，我研究了后门路径问题。后门路径是指连接因果变量和效应变量的非因果路径，它会导致虚假的相关性。例如，吸烟和肺癌之间存在后门路径，即吸烟基因。吸烟基因会导致人们吸烟，也会导致人们患癌症，因此不能简单地说吸烟会导致癌症。在研究吸烟导致癌症的关系时，必须考虑吸烟基因这个后门路径。为了解决后门路径问题，我开发了因果LP back方法，该方法通过考虑后门路径来进行链接预测，并在评估空间中删除后门路径，从而提高链接预测的准确性。此外，我还研究了中介者在因果关系中的作用，并提出了使用超关系图来表示中介者的方法。通过这些研究，我希望能够更全面、更准确地表示因果关系，并将其应用于实际问题中。
Deep Dive
The episode begins with a discussion on how network science predicted the election of the new Pope, using data from who ordained whom, official co-membership, and informal relationships among cardinals.
- Network science was used to predict the election of the new Pope.
- A research team from Italy used three main sources: who ordained whom, official co-membership, and informal relationships among cardinals.
- Robert Brevost (Leo XIV) had the highest eigenvector centrality in the network.
Shownotes Transcript