「因果推理」概述论文,13页pdf

3 月 20 日 专知
「因果推理」概述论文,13页pdf


因果推理是解释性分析的强大建模工具,它可使当前的机器学习变得可解释。如何将因果推理与机器学习相结合,开发可解释人工智能(XAI)算法,是迈向人工智能2.0的关键步骤之一。为了将因果推理的知识带给机器学习和人工智能领域的学者,我们邀请从事因果推理的研究人员,从因果推理的不同方面撰写了本综述。本综述包括以下几个部分:况琨博士的“平均因果效应评估——简要回顾与展望”,李廉教授的“反事实推理的归因问题”,耿直教授的“Yule-Simpson悖论和替代指标悖论”,徐雷教授的“因果发现CPT方法”,张坤教授的“从观测数据中发现因果关系”,廖备水和黄华新教授的“形式论辩在因果推理和解释中的作用”,丁鹏教授的“复杂实验中的因果推断”,苗旺教授的“观察性研究中的工具变量和阴性对照方法”,蒋智超博士的“有干扰下的因果推断”。


http://www.engineering.org.cn/ch/10.1016/j.eng.2019.08.016


1. 平均因果效应评估——简要回顾及展望

机器学习方法已在许多领域取得了巨大成功,但其中大部分都缺乏可解释性。因果推理是一种强有力的建模工具,可用于解释性分析,其可能使当前的机器学习能够做出可解释的预测。本文回顾了两个用于估计因果效应的经典算法,并讨论了实际应用中因果效应评估存在的挑战。此外,我们提出了一种可能的方法,通过将因果推理与机器学习相结合来开发可解释的人工智能(explainable artificial intelligence, XAI)算法。



专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“CR13” 就可以获取「因果推理」概述论文,13页pdf》专知下载链接

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
4

相关内容

因果推断是研究如何更加科学地识别变量间的因果关系。 客观事物普遍存在着内在的因果联系,人们只有弄清事物发展变化的前因后果,才能全面地、本质地认识事物。基干事物发展的这种规律,在论证观点时,有时就可以直接从事物本身的因果关系中进行推论,这就叫因果推断法
小贴士
相关VIP内容
专知会员服务
78+阅读 · 5月5日
专知会员服务
56+阅读 · 4月5日
专知会员服务
71+阅读 · 3月17日
专知会员服务
29+阅读 · 2020年12月23日
专知会员服务
138+阅读 · 2020年10月8日
专知会员服务
57+阅读 · 2020年9月20日
专知会员服务
168+阅读 · 2020年6月24日
专知会员服务
67+阅读 · 2020年3月19日
相关论文
Chuhan Wu,Fangzhao Wu,Yang Cao,Yongfeng Huang,Xing Xie
4+阅读 · 2月9日
Prithviraj Ammanabrolu,Wesley Cheung,William Broniec,Mark O. Riedl
7+阅读 · 2020年12月30日
Mike Huisman,Jan N. van Rijn,Aske Plaat
5+阅读 · 2020年10月7日
Takeshi Teshima,Issei Sato,Masashi Sugiyama
3+阅读 · 2020年8月19日
A Survey on Bayesian Deep Learning
Hao Wang,Dit-Yan Yeung
45+阅读 · 2020年7月2日
Yuyu Zhang,Xinshi Chen,Yuan Yang,Arun Ramamurthy,Bo Li,Yuan Qi,Le Song
3+阅读 · 2020年2月4日
Meng Qu,Jian Tang
6+阅读 · 2019年6月20日
Chih-Ming Chen,Chuan-Ju Wang,Ming-Feng Tsai,Yi-Hsuan Yang
6+阅读 · 2019年2月19日
Graph-Based Recommendation System
Kaige Yang,Laura Toni
4+阅读 · 2018年7月31日
Lizi Liao,Xiangnan He,Hanwang Zhang,Tat-Seng Chua
3+阅读 · 2017年5月14日
Top