因果推断与机器学习—可解释性、公平性和因果机器学习
随着人工智能技术的飞速发展，如人脸识别、自动驾驶、智能音箱和手术机器人等在社会各领域广泛应用，人工智能已成为科技革命和产业变革的核心驱动力。然而，在带来便利的同时，也引发了一系列问题：
- 数据统计：2016 年，基于美国食品和药物管理局（U.S. Food and Drug Administration，FDA）数据，达芬奇手术机器人在 14 年间造成 144 起死亡医疗事故，1391 名患者受伤，8061 起系统事故。
- 实际案例：2018 年 3 月，美国优步的一辆自动驾驶汽车在路况测试时撞到一名正横穿马路的行人，导致其死亡。
- 舆论关注：人工智能相关的负面报道在传统新闻媒体、杂志和新型社交媒体上频繁出现，由此引发了对人工智能在安全、敏感和高风险领域应用的思考，进而引入 “伦理人工智能”“可信人工智能” 和 “负责任的人工智能” 概念，重点关注人工智能系统的社会价值，如公平性、透明性、问责制、可靠性和安全性等。
由此引出机器学习的公平性和可解释性。公平性描述算法必须对不同个体或群体具有相似的性能表现，或者算法的决策不应该依赖于个体或群体的人口统计学信息（demographic information），常见人口统计