ABSTRACT:「哲学の世界では、因果概念の分析として次の２つの立場が有力です。（1）ヒューム以来の伝統的立場である規則性説。ようするにこれは、原因Cと結果E の間の因果関係を、タイプCの出来事が生じるとタイプEの出来事が生じるという規則性に、さらに様々な条件を付加することによって分析しようとする立場です。これに対して、（2）反事実説（counterfactural theory）と呼ばれる説があります。これは比較的新しい立場で、プリンストン大学の David Lewis がはじめて本格的に展開したものです。これは、因果関係を、出来事Cがなかったなら出来事Eもなかったろう、という反事実的依存関係によって分析しようとする立場です。今回は、後者の説をできるかぎり擁護しつつ、因果関係・反事実的依存・時間の向き・科学的説明といった諸概念の論理的関係を整理して、世界の反事実的依存のネットワークを モデリングする活動として科学をとらえるという私の科学観をスケッチしたいと思います。

ABSTRACT:日常生起するさまざまな出来事や、他者の行動に対して、「なぜそのようなこと が起こるのか」「なぜそのようなことをするのか」と考え、その問いを見つける ことは、われわれの社会理解の重要な一部である。トークでは、社会理解におけ る「なぜ」という問いが、「原因が何かを同定する」こと以上に、出来事や行為 者の本質は何かを知り、出来事や行為が生起した過程を知るための問いであるこ とを、社会心理学における原因帰属研究の知見に基づき議論する。また、日常の 原因推論におけるバイアスの点から、「俗人」の因果理解が、どのような点で 「数規範的・科学的」な因果理解と異なるのかを考える。

ABSTRACT:Bayesian Artificial Intelligence is the incorporation of Bayesian inferential methods in the development of a software architecture for an artificial intelligence(AI). We believe that important ingredients of such an architecture will be Bayesian networks and the Bayesian learning of Bayesian networks from observation and experiment. In this talk, we show the elements of Bayesian network technology, automated causal discovery, learning probabilities from data, and examples and ideas about how to employ these technologies in developing data-mining tool. Especially, this talk emphasizes the importance of the variable selection to build effective and meaningful causal models, and introduce some new methods of variable selection methods for Bayesian networks.