摘要：刘易斯把因果定义为实际事件之间因果依赖的传递闭包,可以解决困扰规则性理论的诸多问题,但是也确证了因果是传递的。在随后的讨论中因果传递性的反例不断涌现,从而间接地否定了刘易斯因果定义的合理性。希区柯克提出了结构方程模型的因果理论,他也认同通过反事实来理解因果,但和刘易斯不同,他引入了结构方程的工具来清晰地刻画具体的情形,并通过"活跃路径"来定义因果关系,他指出我们可以在不付出因果是传递性这个代价的情况之下,也可以合理地获得刘易斯因果定义的那些好处,而且还能够解决困扰他的定义的那些反例。笔者试图证明所有用以反驳因果传递性的反例都存在一种潜在的概念偷换,并不构成对刘易斯因果理论的反驳,并给出反例说明希区柯克所自信的那些结构因果模型的优点,比如清晰地刻画具体的情形,也有其界限,在具体的问题讨论中也有其无法克服的"言不尽意"处。

关键词：实际因果;反事实;结构方程;传递性问题

摘要：实际因果指的是实际的事件之间的因果关系,美国哲学家路易斯开创了对实际因果的基于反事实框架的形式化研究。路易斯的定义被认为存在着不足,特别的,这一定义面临着传递性问题。当前对实际因果的形式化讨论主要基于两类形式模型:结构方程模型与神经元图,但是结构方程模型方法可能与实际因果并不融洽;在梳理了三个基于神经元图的反事实定义后,本文引入了一个新的定义;如果这个定义是合理的,那么传递性问题将得到消解。

关键词：实际因果;反事实;神经元图;传递性问题

摘要：归纳问题是科学哲学与认识论中的核心问题之一。它的目的是寻找从已知预测未知、从有限经验推广到一般规律的归纳推断的合理性的基础。自从休谟提出归纳怀疑论的现代表述以来,尽管人们尝试了许多方式试图对其进行回应,但它们都没有得到普遍接受。本文论证的观点是,在机器学习领域所通行的验证因果发现算法的推理模式提供了一种回应归纳怀疑论的特殊方法。这种方法不但具有与传统的科学哲学确证理论不同的特征,并且还能够揭示出归纳推断问题的更为精细的结构。

关键词：因果发现;归纳问题;机器学习;逻辑可靠性理论