여러 응용 분야에서 기계 학습(ML) 기술의 탁월한 성과를 목격하는 동안, 사용자들은 ML의 중요한 단점에 주목하기 시작하고 있다. 즉, 상관관계는 인과관계를 대체하기에 적합하지 않다는 점이다. 일반적으로 인과 관계를 발견하는 전통적 방법은 무작위 대조 시험(RCT)을 사용하는 것이지만, 많은 상황에서는 이것이 비현실적이거나 때로는 비윤리적이다. 관찰 데이터로부터 인과를 학습하는 일은 유망한 대안으로 제시된다. 비교적 최근에 등장했음에도 불구하고, 인과 학습은 통상적인 기계 학습을 훨씬 넘어서는 것을 목표로 하지만, 여러 주요 과제는 여전히 남아 있다. 불행히도, 통합된 벤치마크 데이터셋, 알고리즘, 지표 및 인과 학습을 위한 평가 서비스 인터페이스의 부재로 인해 이러한 발전은 저해되고 있다. 본 논문에서는 {em CausalBench}를 투명하고 공정하며 사용하기 쉬운 평가 플랫폼으로 소개한다. 이는 (a) 새롭고 참신한 알고리즘, 데이터셋 및 지표에 대한 과학적 협업을 가능하게 함으로써 인과 학습 연구의 발전을 촉진하고, (b) 인과 학습 연구에서 과학적 객관성, 재현성, 공정성 및 편향에 대한 인식을 증진하고자 한다. CausalBench는 벤치마킹 데이터, 알고리즘, 모델 및 지표에 대한 서비스를 제공하며, 광범위한 과학 및 공학 분야의 요구를 충족하는 데 영향을 미친다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.