贝叶斯网络之父无人问津？一文详解Judea Pearl NIPS 2017报告(12)

而对于推断因果关系而言，反事实是非常关键的。比如，感冒了，吃了感冒药，感冒好了。这一经历并不能证明感冒药的效果。我们想要知道感冒药是否对治疗感冒有效果，需要研究相应的反事实：“要是当初没吃感冒药，现在感冒会不会好？”如果当初没吃感冒药，现在感冒好了，那说明其实感冒药并没有起到作用，可能感冒是自愈的。

从上面的例子也可以看出，反事实在因果推断的层级中，位于最高层。在环境和条件不变的前提下，如果我们知道“要是当初没吃感冒药，现在感冒会不会好？”，那我们必然知道“我吃了感冒药，感冒会不会好？”和“以前我吃过感冒药，后来感冒好了没有？”这两个问题的答案。反之则不然。仅仅知道“我以前吃过感冒药，感冒好了”，是无法确定“要是当时没吃感冒药，感冒会不会好”这样的问题的答案的。

现有的基于统计的机器学习方法缺乏反事实这一层级的信息，因而无法进行反事实层面的推理，无论是总结过去的经验，还是预测当前行动的结果，都缺乏理据。这是现有机器学习方法理论上的缺陷。