第183章 两百万次警报的归因(4/9)
“把二阶统计硬生生推导到四阶,不等于你就能从影子里,逆向找出那个制造影子的人。”
教室里陷入了长达半分钟的安静。
这种安静并不是因为在座的人水平不够。
恰恰相反,几台笔记本电脑的机械键盘声很快密集地响了起来。
有人在草稿纸上飞速推导,尝试构造一个能打破教授说法的反例。
也有人皱着眉头翻回前几周的电子讲义,寻找理论漏洞。
而江临,只是低着头,在自己的笔记本电脑屏幕上用触控笔画了两张极简的因果图。
第一张图中,一个隐藏的物理故障节点,伸出两条有向边,分别指向观测事件A和b。
第二张图中,两个观测事件A和b之间没有任何真实的物理关联,却同时受到隐藏读出状态R驱动,而R来自同一条存在故障的微波读出链路。
他用不到三十秒的时间,给这两套截然不同的拓扑模型设置了相同的边缘概率分布参数。
从可观测结果来看,它们的联合分布完全一致,重合得严丝合缝。
教授看了一眼手表上的时间,打破了沉默:“还有别的理论切口可以突破吗?”
江临合上笔记本的屏幕,抬起头,开口说道:“如果仅仅依赖于被动观测的数据,没有别的切口,那么它们在数学上就是严格不可辨识的。”
唰——
前排十几个人几乎同时转过头,目光齐刷刷地落在这个年轻人身上。
教授脸上露出了像是等到了期待已久的变量。
“把话说完整。”他说。
江临站起身,径直走下台阶,走到黑板前。
教授主动让出位置,将手里那支完好的白色粉笔递给他。
江临接过粉笔,在黑板最左侧那块空白区域,画下了他刚才在电脑上构建的第一套生成结构。
接着,在右侧画下第二套结构。
“只要我们将隐藏变量p和R的先验分布,以及它们向下的条件概率矩阵设置得足够精巧,”
江临转身面对众人,语气平静。
“根据全概率公式,这两套底层的因果机制,可以产生完全相同的联合观测分布p(A,b)。”
“在这个前提下,各位所设想的扩大样本量,无论是一百万条还是两千万条,都只会让大数定律发挥作用,让我们更精确地逼近同一个可观测联合分布。”
江临将粉笔轻轻点在黑板上。
“海量的数据只能提高统计精度,它永远不会开口告诉你,左边是真的,还是右边是真的。”
一名刚才参与讨论的高年级博士生立刻坐直了身体,敏锐地反问:“如果加入完整的时间序列维度呢?
物理故障的弛豫时间和读出电子学状态的持续时间,在物理学上通常是不同量级的。”
江临没有反驳,直接在右侧的模型中增加了一条代表时间演化的跨轮次自环边。
“你的观点很好,那如果,我让这个读出状态R具备跨轮次的记忆效应呢?
这样一来,时间序列的特征不就被抹平了吗?”
“那我们再加入外部干预。
如果读出状态会在硬件复位后消失,而底层的物理故障未必受复位操作影响,不就能分开了吗?”博士生紧追不舍。
复位操作的出现,就像是一把手术刀,使原本在数学上不可区分的两套观测模型之间,似乎终于多出了一条可以强行撬开它们的缝隙。
教授却在一旁适时地泼下冷水:“想法不错,但现实是,复位与重新同步不一定只影响读出状态。
它们往往伴随额外的脉冲、频率调整或重新标定,也可能同时改变芯片的局部温度、导致腔频漂移,甚至增加附近比特的泄漏概率。”
“所以,复位操作是一种带有副作用的非理想干预,不能被当成因果推断中那种干净的单变量干预直接使用。”江临适时接上教授的话。
“那还能怎么用?”博士生皱紧了眉头。
江临的脑海中浮现出一个多月前退回给对方的元数据补充清单。
本章未完,请翻下一页继续阅读.........