随着深度学习在行业领域的深入使用，以往以相关性为基础的算法模型表现出缺陷，如鲁棒性、可解释性、公平性等。最近来自以色列理工学院、斯坦福、Google等发布了关于《自然语言处理中因果推理》的论文，讲述自然语言处理因果推理的估计、预测、可解释等。

摘要：

科学研究的一个基本目标是了解因果关系。然而，尽管因果关系在生命和社会科学中发挥着关键作用，但在自然语言处理(NLP)中却没有同等的重要性，后者传统上更重视预测任务。随着因果推理和语言处理融合的跨学科研究的兴起，这种区别正开始消失。然而，关于NLP中因果关系的研究仍然分散在各个领域，没有统一的定义、基准数据集和对剩余挑战的清晰表述。

在这项综述中，我们巩固了跨学术领域的研究，并将其置于更广阔的NLP景观中。我们介绍了估计因果效应的统计挑战，包括文本作为结果、治疗或解决混淆的手段的设置。此外，我们还探讨了因果推理的潜在用途，以改善NLP模型的性能、鲁棒性、公平性和可解释性。因此，我们为计算语言学界提供了一个统一的因果推理概述。

论文地址：https://arxiv.org/abs/2109.00725

内容中包含的图片若涉及版权问题，请及时与我们联系删除