The era of big data provides researchers with convenient access to copious data. However, people often have little knowledge about it. The increasing prevalence of big data is challenging the traditional methods of learning causality because they are developed for the cases with limited amount of data and solid prior causal knowledge. This survey aims to close the gap between big data and learning causality with a comprehensive and structured review of traditional and frontier methods and a discussion about some open problems of learning causality. We begin with preliminaries of learning causality. Then we categorize and revisit methods of learning causality for the typical problems and data types. After that, we discuss the connections between learning causality and machine learning. At the end, some open problems are presented to show the great potential of learning causality with data.


翻译:海量数据时代为研究人员提供了方便的获取大量数据的机会,然而,人们往往对此知之甚少。海量数据越来越普遍,对传统的学习因果关系方法提出了挑战,因为海量数据是针对数据数量有限和先前确证的因果关系知识而开发的。这项调查的目的是通过对传统和前沿方法进行全面和结构化的审查,并讨论某些公开的学习因果关系问题,从而缩小海量数据与学习因果关系之间的差距。我们首先从学习因果关系的预备开始。然后,我们分类和重新研究典型问题和数据类型的学习因果关系方法。之后,我们讨论学习因果关系与机器学习之间的联系。最后,我们提出了一些公开的问题,以显示从数据中学习因果关系的巨大潜力。

14
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
220+阅读 · 2020年4月19日
专知会员服务
58+阅读 · 2020年3月4日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
126+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
144+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
78+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
85+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
18+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
18+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
10+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
36+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
11+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
17+阅读 · 2018年5月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
35+阅读 · 2017年11月16日
Andrew NG的新书《Machine Learning Yearning》
我爱机器学习
10+阅读 · 2016年12月7日
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
Advances and Open Problems in Federated Learning
Arxiv
17+阅读 · 2019年12月10日
Arxiv
16+阅读 · 2019年11月24日
Few-shot Learning: A Survey
Arxiv
359+阅读 · 2019年4月10日
Arxiv
50+阅读 · 2018年12月11日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
VIP会员
相关VIP内容
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
18+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
18+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
10+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
36+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
11+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
17+阅读 · 2018年5月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
35+阅读 · 2017年11月16日
Andrew NG的新书《Machine Learning Yearning》
我爱机器学习
10+阅读 · 2016年12月7日
Top
微信扫码咨询专知VIP会员