C(E) being positive indicates that

C(E) being positive indicates that the evidence may be conflicting. The higher
the conflict measure, the greater the discrepancy between the BN model and the
evidence. This discrepancy may be due to errors in the data or it just may be a rare
case. If the conflict is due to flawed data, it is possible to trace the conflicts.
3.8 Causal inference
There is no consensus in the community of Bayesian network researchers about the
proper understanding of the relation between causality and Bayesian networks. The
majority opinion is that there is nothing special about a causal interpretation, that
is, one which asserts that corresponding to each (non-redundant) direct arc in the
network not only is there a probabilistic dependency but also a causal dependency. As
we saw in Chapter 2, after all, by reordering the variables and applying the network
construction algorithm we can get the arcs turned around! Yet, clearly, both networks
cannot be causal.
We take the minority point of view, however (one, incidentally, shared by Pearl,
2000 and Neapolitan, 1990), that causal structure is what underlies all useful Bayesian
networks. Certainly not all Bayesian networks are causal, but if they represent a real-world probability distribution, then some causal model is their source.
Regardless of how that debate falls out, however, it is important to consider how
to do inferences with Bayesian networks that are causal. If we have a causal model,
then we can perform inferences which are not available with a non-causal BN. This
ability is important, for there is a large range of potential applications for particularly
causal inferences, such as environmental management, manufacturing and decision
support for medical intervention. For example, we may need to reason about what
will happen to the quality of a manufactured product if we adopt a cheaper supplier
for one of its parts. Non-causal Bayesian networks, and causal Bayesian networks
using ordinary propagation, are currently used to answer just such questions; but this
practice is wrong. Although most Bayesian network tools do not explicitly support
causal reasoning, we will nevertheless now explain how to do it properly.
3.8.1 Observation vs. intervention
While the causal interpretation of Bayesian networks is becoming more widely accepted,
the distinction between causal reasoning and observational reasoning remains.

Kết quả (Việt) 1:

C(E) đang được tích cực chỉ ra rằng các bằng chứng có thể có xung đột. Cao hơncuộc xung đột đo, lớn hơn sự khác biệt giữa các mô hình BN và cácbằng chứng. Sự khác biệt này có thể là do lỗi trong dữ liệu hoặc nó chỉ có thể là một hiếmtrường hợp. Nếu cuộc xung đột là do thiếu sót dữ liệu, nó có thể theo dõi các cuộc xung đột.3.8 quan hệ nhân quả suy luậnKhông có không có sự đồng thuận trong cộng đồng các nhà nghiên cứu mạng Bayes về cácsự hiểu biết đúng đắn của mối quan hệ giữa quan hệ nhân quả và mạng Bayes. Cácý kiến của đa là rằng không có gì đặc biệt về một giải thích quan hệ nhân quả, màlà, một trong những khẳng định rằng tương ứng với mỗi vòng cung trực tiếp (phòng không dự phòng) trong cácmạng không chỉ là có một phụ thuộc xác suất mà còn là một sự phụ thuộc nhân quả. Nhưchúng ta đã thấy trong chương 2, sau khi tất cả, bởi sắp xếp lại các biến và áp dụng mạngthuật toán xây dựng chúng tôi có thể nhận được các vòng cung quay lại! Tuy nhiên, rõ ràng, cả hai mạngkhông thể quan hệ nhân quả.Chúng tôi có dân tộc thiểu số điểm của xem, Tuy nhiên (một, bất ngờ, được chia sẻ bởi Trân Châu,2000 và Napoli, 1990), cấu trúc nguyên nhân đó là những gì làm nền tảng hữu ích tất cả Bayesmạng. Chắc chắn không phải tất cả các mạng Bayes được quan hệ nhân quả, nhưng nếu họ đại diện cho một phân bố xác suất thực thế giới, sau đó một số mô hình quan hệ nhân quả là nguồn gốc của họ.Bất kể như thế nào cuộc tranh luận đó rơi ra, Tuy nhiên, nó là quan trọng để xem xét như thế nàolàm suy luận với mạng Bayes được quan hệ nhân quả. Nếu chúng tôi có một mô hình quan hệ nhân quả,sau đó chúng tôi có thể thực hiện suy luận mà không có sẵn với một không-causal BN. Thiskhả năng là quan trọng, vì không một phạm vi rộng lớn của các ứng dụng tiềm năng cho đặc biệtsuy luận quan hệ nhân quả, chẳng hạn như quản lý môi trường, sản xuất và quyết địnhhỗ trợ cho sự can thiệp y tế. Ví dụ, chúng tôi có thể cần phải lý do về những gìsẽ xảy ra đối với chất lượng của một sản phẩm sản xuất nếu chúng ta áp dụng một nhà cung cấp rẻ hơnĐối với một phần của nó. Mạng Bayes causal phòng không, và quan hệ nhân quả mạng Bayessử dụng bình thường tuyên truyền, hiện đang được sử dụng để trả lời câu hỏi chỉ cần như vậy; nhưng điều nàythực tế là sai. Mặc dù hầu hết Bayes mạng công cụ làm không rõ ràng hỗ trợcausal lý luận, Tuy nhiên bây giờ chúng tôi sẽ giải thích làm thế nào để làm điều đó đúng.3.8.1 quan sát vs can thiệpTrong khi việc giải thích quan hệ nhân quả của mạng Bayes được trở thành chấp nhận rộng rãi hơn,sự khác biệt giữa quan hệ nhân quả lý luận và quan sát lý luận vẫn còn.

Kết quả (Việt) 2:

C (E) là tích cực cho thấy rằng các chứng cứ có mâu thuẫn. Các cao hơn
các biện pháp xung đột, lớn hơn sự khác biệt giữa mô hình BN và các
bằng chứng. Sự khác biệt này có thể là do sai sót trong dữ liệu hoặc nó chỉ có thể là một hiếm
trường hợp. Nếu cuộc xung đột là do dữ liệu không hoàn thiện, có thể theo dõi các cuộc xung đột.
3.8 Quan hệ nhân quả suy luận
không có sự đồng thuận trong cộng đồng các nhà nghiên cứu mạng Bayesian về
sự hiểu biết đúng đắn về mối quan hệ giữa nguyên nhân và mạng Bayesian. Các
ý kiến đa số là không có gì đặc biệt về một quan hệ nhân quả, đó là
là, một trong đó khẳng định rằng tương ứng với mỗi (không dự phòng) hồ quang trực tiếp trong
mạng không chỉ là có một sự phụ thuộc xác suất mà còn phụ thuộc quan hệ nhân quả. Như
chúng ta đã thấy ở Chương 2, sau khi tất cả, bởi sắp xếp lại các biến và áp dụng các mạng lưới
thuật toán xây dựng, chúng tôi có thể nhận được các vòng cung quay lại! Tuy nhiên, rõ ràng, cả hai mạng
có thể không được quan hệ nhân quả.
Chúng tôi có những điểm thiểu số của xem, tuy nhiên (một, tình cờ, chia sẻ bởi Pearl,
2000 và Neapolitan, 1990), mà cấu trúc nhân quả là những gì tất cả các nền tảng hữu ích Bayesian
mạng. Chắc chắn không phải tất cả các mạng Bayesian là quan hệ nhân quả, nhưng nếu họ đại diện cho một phân bố xác suất thực tế, sau đó một số mô hình nhân quả là gốc của chúng.
Bất kể thế nào cuộc tranh luận mà rơi ra ngoài, tuy nhiên, điều quan trọng là phải xem xét làm thế nào
để làm suy luận với các mạng Bayes là quan hệ nhân quả. Nếu chúng ta có một mô hình nhân quả,
sau đó chúng ta có thể thực hiện các kết luận mà không có sẵn với một phi nhân quả BN. Điều này
khả năng là quan trọng, vì có một phạm vi rộng lớn của các ứng dụng tiềm năng đặc biệt là
suy luận nhân quả, chẳng hạn như quản lý môi trường, sản xuất và quyết định
hỗ trợ cho sự can thiệp của y tế. Ví dụ, chúng ta có thể cần phải suy luận về những gì
sẽ xảy ra đối với chất lượng của một sản phẩm được sản xuất nếu chúng ta áp dụng một nhà cung cấp rẻ hơn
cho một bộ phận của nó. Mạng Bayesian Non-nhân quả, và các mạng Bayesian nhân quả
bằng cách sử dụng nhân giống thông thường, hiện đang được sử dụng để trả lời các câu hỏi chỉ đó; nhưng điều này
thực tế là sai. Mặc dù hầu hết các công cụ mạng Bayesian không rõ ràng hỗ trợ
lý nhân quả, chúng tôi sẽ vẫn giờ giải thích làm thế nào để làm điều đó đúng.
3.8.1 Quan sát so với can thiệp
khi các quan hệ nhân quả của các mạng Bayesian đang trở thành chấp nhận rộng rãi hơn,
sự phân biệt giữa lý luận nhân quả và quan sát lý luận vẫn còn.