推荐序

理解对象或事件之间的因果关系是人类认知的基石，是人类具有“举一反三”和“知其然，知其所以然”能力的核心基础。受人类因果认知能力的启发，人工智能技术中由数据驱动的因果推断的核心任务是推断数据中变量之间的因果关系，揭示数据产生机制，发现数据背后存在的稳定数据分布。

近年来，以深度学习为代表的人工智能技术在语音识别、机器视觉、自然语言处理、智慧医疗、智能推荐、自动驾驶等应用领域取得了重大进展，掀起了新一轮的人工智能热潮。但是当前的深度学习技术擅长分析数据中的关联关系而不是因果关系，从而无法理解数据的产生机制，使得这些技术在数据分布变化时存在鲁棒性不足、可解释性差、容易受到对抗样本的攻击等问题，从而难以在自动驾驶、医疗诊断等高风险人工智能新兴产业完全落地应用。发展融入因果推断的深度学习技术有助于构建可解释性强和更稳健的深度学习模型，该观点已经获得学术界的广泛认可。

作为人工智能的前沿领域，数据驱动的因果关系推断模型与方法的研究及其在机器视觉、自然语言处理、智慧医疗、智能推荐等领域的落地应用已经取得了重要进展，有极大的潜能促进高风险人工智能新兴产业技术的落地应用。

本书系统地整理了潜在结果模型和结构因果模型的知识体系，循序渐进、通俗易懂地介绍了潜在结果模型、结构因果模型以及因果推断的主要方法，使读者能够系统性、条理性和全面性地理解当前主流的因果推断模型与方法。因此，这是一本内容丰富、全面、深入介绍因果推断的书籍，是高年级本科生、研究生以及对因果推断感兴趣的科学家、工程师很好的参考书。相信这是一本值得大家阅读的书。强烈推荐！

李久永

计算机科学教授

南澳大学