本讲座将介绍贝叶斯网络及其因果解释,如因果图模型、d-分离、微积分和Shpitser-Pearl ID算法。我们将从介绍贝叶斯网络、因果图模型和干预开始。然后,我们将展示两个具有相同骨架和v结构的贝叶斯网络,它们代表了相同的条件独立假设,并证明存在于任何贝叶斯网络中的d分离,会使所有条件独立假设在根据该网络进行因数分解的任何分布中都不成立。然后我们转向因果模型并引入微积分。我们展示了每一个演算规则的合理性。最后,我们描述了半马尔可夫模型中因果效应识别的shpitsere - pearl算法,并在时间允许的情况下,证明了该ID算法对因果效应识别的完备性;也就是说,当且仅当ID算法成功终止时,因果关系是可识别的。

成为VIP会员查看完整内容
55

相关内容

1407页ppt!图宾根大学最新《统计机器学习》教程
专知会员服务
96+阅读 · 2022年5月8日
【ST2020硬核课】深度神经网络,57页ppt
专知会员服务
45+阅读 · 2020年8月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
图卷积网络介绍及进展【附PPT与视频资料】
人工智能前沿讲习班
24+阅读 · 2019年1月3日
【干货】​深度学习中的线性代数
专知
21+阅读 · 2018年3月30日
图解高等数学|线性代数
遇见数学
39+阅读 · 2017年10月18日
国家自然科学基金
5+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
23+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年9月15日
Arxiv
28+阅读 · 2021年9月18日
Arxiv
12+阅读 · 2018年1月28日
VIP会员
相关基金
国家自然科学基金
5+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
23+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员