在这个反事实和因果推理的第二版中,讲述了反事实方法的基本特征,观察数据分析来自社会,人口统计和健康科学的例子。首先介绍了使用潜在结果模型和因果图的替代估计技术; 在此之后,条件调节技术,如匹配和回归,从潜在结果的角度提出。在没有观察到重要的因果公开决定因素的研究情景中,然后提出了替代技术,如工具变量估计、纵向方法和通过因果机制的估计。本书强调了因果效应异质性的重要性,并讨论了通过机制进行深度因果解释的必要性。

在过去的三十年里,一个反事实的因果模型已经被开发出来,一个统一的框架起诉的因果问题现在是可用的。通过这本书,我们的目标是说服更多的社会科学家将这个模型应用到社会科学的核心经验问题上。

在第2章介绍了反事实模型的主要部分之后,我们将在本书的第2部分介绍因果效应估计的条件反射技术。在第三章中,我们将使用因果图来展示一个基本的条件作用框架。然后,在第4章和第5章,我们将解释匹配和回归估计量,说明它们是更一般条件作用方法的互补变量。在这本书的第三部分,我们将从因果效应估计的“容易”到“困难”的实例进行转换,对于这种情况,简单的条件作用是不够的,因为决定因果公开的相关变量没有被观察到。在第6章介绍了一般性困境之后,我们将在第7章至第9章中介绍工具变量技术、基于机制的因果效应估计,以及使用超时数据来估计因果效应。最后,在第十章中,我们将总结一些反对反事实模型的意见。在本书的结尾,我们将对因果调研的互补模式进行广泛的讨论,这些模式包括观察社会科学中的因果效应估计。在某种程度上,因为详细的目录已经给出了我们将在其余章节中呈现的材料的准确描述,我们在这里不提供一套详细的章节摘要。相反,我们将用三个因果图和它们所提出的因果效应估计策略来结束这一介绍性的章节。这些图表使我们能够预示许多具体的因果效应估计策略,我们将在后面介绍这些策略。因为本章的其余内容将在以后重新介绍和更全面地解释(主要在第3、6和8章),所以现在可以跳过它,没有任何后果。然而,我们在教学这一材料的经验表明,在考虑观察数据分析的反事实框架的细节之前,许多读者可能受益于对基本估计技术的快速图形介绍。

作者姓名: Stephen Morgan Christopher Winship

作者机构: 约翰霍普金斯大学 哈佛大学

图书目录 一、社会科学中的因果关系与实证研究 1 简介 二、反事实、潜在结果和因果图 2 反事实和潜在结果模型 3 因果图 三、通过对观察到的变量进行条件调节以阻止后门路径来估计因果效应 4 因果暴露模型和识别标准 5 因果效应的匹配估计量 6 因果效应的回归估计 7 因果效应的加权回归估计 四、估计后门调节无效时的因果效应 8 自我选择、异质性和因果图 9 因果效应的工具变量估计量 10 机制与因果解释 11 重复观察和因果效应估计 五、当因果效应不是由可观测点识别时的V估计 12 分布假设、集合识别和敏感性分析 六、结论 13 反事实与观察社会科学实证研究的未来

成为VIP会员查看完整内容
1
36

相关内容

美国 Baylor University 经济学教授 Scott Cunningham 认为,因果推理是利用理论和对制度细节的深入了解,来估计事件和选择对特定利益结果的影响。本推文介绍的便是 Scott Cunningham 于 2021 年初上市的书籍《Causal Inference: The Mixtape》 (出版社:Yale University Press)。

书  名:Causal Inference: The Mixtape

作  者:Scott Cunningham 出版社:Yale University Press

这本书通俗易懂地介绍了识别社会科学中的因果关系的最新方法,是一本很实用的学习因果推理的书籍。对于整体写作风格,这本书在理论层面言简意赅,更多强调了方法应用。作者通过列举许多社会科学相关的因果推理的案例和参考论文,对实际案例的细节进行了详细的分析,并且展示了分析案例所借助的 Stata 和 R 软件具体操作程序。

对于基本内容,作者在回顾基本的因果推理概念、概率与回归概念的基础上,介绍了有向无环图 (Directed Acyclic Graphs,DAG)、潜在结果因果模型 (Potential Outcomes Causal Model)、匹配 (Matching) 以及断点回归 (Regression Discontinuity) 等因果推理工具和因果识别策略。其中,DAG 几乎出现在书籍中的每一章节。

相比于 2008 年出版的《Counterfactuals and Causal Inference: Methods and Principles for Social Research》,这本书不仅涵盖了很多案例,关注了工具变量法、断点回归法等准实验方法,还包括了经济学者目前关注的合成控制法。此外,书中提供了案例分析所需的数据、代码内容。因而,本科生、硕士生和刚入学的博士生如果想了解因果推理和学习诸如合成控制法这类的最新方法,可以参考这本书。 

2. 内容介绍

首先,作者介绍了有关因果推理、概率与回归相关概念和理论,为新接触因果推理的读者更好地学习打好基础。

第一章引言作者通过识别需求的价格弹性等一系列案例,介绍了因果推理的含义、如何区分相关性与因果关系等基本内容;

第二章概率与回归回顾中,从基础的概率理论出发,回顾了随机过程、样本空间、统计独立性、事件和条件概率以及期望值、方差等统计定义。在此基础上,介绍了普通最小二乘法、方差分析理论、稳健标准误等统计数据分析的基本方法。 其次,为更好地识别因果关系,第三章至第五章介绍了因果推理的工具。

第三章引入有向无环图 (DAG),这是一个有助于澄清变量之间的因果关系的强大的工具,讨论了后门标准和对撞机偏差两个概念。详细阅读这一章对后续阅读有很大的帮助; 第四章讨论了潜在结果因果模型。因果效应可被定义为实际发生状态和反事实状态之间的比较,潜在结果表示法用反事实表示因果关系。书中定义了各种类型的因果效应:平均处理效应 (ATE)、干预组的平均处理效应 (ATT)、控制组的平均处理效应 (ATU)等。潜在结果因果模型成立依赖两个关键假设:一是强调被干预对象相互独立;二是在一定条件下,分配机制不会对潜在结果产生影响。潜在结果是由分配机制决定的,也十分强调匹配和倾向值分析对因果推理的重要性; 第五章继续描述匹配和分配问题。贯穿这一章的概念是有条件独立假设 (CIA),通过学生分配问题表明处理分配是有条件的随机。当样本较少时,分配缺乏足够的数据,因而使得匹配和倾向值分析显得尤为重要。精确匹配和近似匹配均是因果推理的重要组成部分,倾向得分匹配作为一个工具,以使不同组别具有可比性。 最后,在剩下的第六章至第十章,此书理论结合案例,分别介绍了识别因果推理的策略,包括断点回归、工具变量、面板数据、差分、合成控制五个方法。

断点回归 (Regression Discontinuity) 的设计围绕核心变量、临界值、处理组分配和结果本身之间的关系。精确断点回归是其中一种方法,使用一个连续的分数,通过任意选择一个临界值来分配处理组和控制组,比较高于和低于临界值的人来估计一种特定的平均值。作者借助一个案例 “复制一个流行的设计:接近的选举” 进行具体说明;

工具变量 (Instrumental Variables) 设计可能是有史以来最重要的研究设计之一。作者从显示一系列因果效应的 DAG 开始进行分析,认为其包含了理解工具变量策略所需的所有信息。工具变量法通常用于解决遗漏变量偏差、测量误差等问题,两阶段最小二乘法是一个比较常用的方法,书中提供了一些数据,帮助读者更好地理解如何在实际数据中实现两阶段最小二乘法。与断点回归不同,工具变量法的识别假设有 5 个。这使得使用工具变量法时通常出现弱工具变量等问题,因而研究者很难找到满足所有 5 个条件的工具变量;

面板数据 (Panel Data) 包含不同单位时间内重复测量的纵向数据。固定效应是一种估计因果效应有用的方法。只要处理和结果随时间变化,并且存在严格的外生性,那么固定效应将消除任何和所有未观测和观测的处理变量相关的不随时间变化的协变量。但是,这种方法不能处理随时间变化的、未观测到的异质性,而且当存在强反向因果路径时,面板方法是有偏的。作者通过回顾描述面板数据的 DAG 情况下,讨论一篇论文,然后在 R 和 Stata 中进行一个数据集的练习,很好的解释了上述问题;

差分 (Difference-In-Differences) 已经成为定量社会科学中最受欢迎的研究设计之一。作者以简单的形式(同时处理一组单位)和更常见的形式(即在不同时间点处理一组单位)来解释差分方法。这一章的重点是确定估计处理效应所需的假设,包括通过事件研究提供平行趋势证据、安慰剂的重要性、有时间差异的双向固定效应等;

合成控制 (Synthetic Control) 目前是一个活跃的研究领域,人们期望通过合成控制方法进行大量的证伪联系。使用合成控制法进行比较案例研究,必须通过基于安慰剂的推断找到确切的 值,检查预处理的匹配,调查用于匹配的协变量的平衡性,并通过安慰剂估计检验模型的有效性。书中通过 “监狱建设和黑人男性监狱” 的案例,展示了如何在 Stata 中估计合成控制方法。但是,还有很多相关问题书中没有给出解决方法。

以下是核心内容的基本架构,方便大家更好地了解这本书:

3. 总结

因果推理是一个重要且有趣的领域,越来越受到社会科学研究者的关注。 潜在结果因果模式提供了一种直观的方式来思考因果效应,该模型在理解使用异质的准实验研究设计来确定因果关系所需的假设方法非常有效; 有向无环图对项目的设计阶段非常有用,在理论模型和对某些现象的理解以及识别所关心的因果效应的策略方面都受到关注; 其它的识别因果效应的策略是目前微观经济学中最常见的。 但是,这本书省略了边际效应、部分标识等内容。

成为VIP会员查看完整内容
0
28

新版《概率论》第三版经过了彻底的修订和扩充,在一本书中对现代概率进行了全面的阐述。它是一个真正的现代阐述版,不仅提供经典的结果,而且材料,将是重要的未来研究。很多已经添加到以前的版本,包括8个全新的章节,随机度量,Malliavin 微积分,多元数组,和随机微分几何。除了重要的改进和修订,一些早期章节已经被完全重写。为了帮助读者,这些材料被分为十个主要领域,每一个领域对于任何严肃的研究生和研究者来说都是必不可少的,无论他们的专业是什么。

每一章很大程度上是独立的,包括大量的练习,使书理想的自学和设计研究生水平的课程和研讨会在不同的领域和不同的水平。广泛的注释和详细的参考书目使它很容易超越所提出的材料,如果需要。

成为VIP会员查看完整内容
0
66

近年来,机器学习取得了显著进展,提供了一些新功能,比如创建复杂的、可计算的文本和图像表示。这些功能催生了新产品,如基于图像内容的图像搜索、多种语言之间的自动翻译,甚至是真实图像和声音的合成。同时,机器学习已经在企业中被广泛采用,用于经典的用例(例如,预测客户流失、贷款违约和制造设备故障)。

在机器学习取得成功的地方,它是非常成功的。

在许多情况下,这种成功可以归因于对大量训练数据的监督学习(结合大量计算)。总的来说,有监督的学习系统擅长于一项任务:预测。当目标是预测一个结果,并且我们有很多这个结果的例子,以及与它相关的特征时,我们可能会转向监督学习。

随着机器学习的普及,它在业务流程中的影响范围已经从狭窄的预测扩展到决策制定。机器学习系统的结果经常被用来设定信用限额,预测制造设备故障,以及管理我们的各种新闻推送。当个人和企业试图从这些复杂和非线性系统提供的信息中学习时,更多(和更好)的可解释性方法已经被开发出来,这是非常重要的。

然而,仅仅基于预测的推理有一些基本的限制。例如,如果银行提高客户的信用额度会发生什么?这些问题不能用建立在先前观察到的数据上的相关模型来回答,因为它们涉及到客户选择的可能变化,作为对信用限额变化的反应。在很多情况下,我们的决策过程的结果是一种干预——一种改变世界的行动。正如我们将在本报告中展示的,纯粹相关的预测系统不具备在这种干预下进行推理的能力,因此容易产生偏差。对于干预下的数据决策,我们需要因果关系。

即使对于纯粹的预测系统(这是监督学习的强项),应用一些因果思维也会带来好处。根据因果关系的定义,它们是不变的,这意味着它们在不同的情况和环境中都是正确的。对于机器学习系统来说,这是一个非常理想的特性,在机器学习系统中,我们经常根据我们在训练中没有看到的数据进行预测;我们需要这些系统具有适应性和健壮性。

因果推理和机器学习的交集是一个迅速扩展的研究领域。它已经产生了可供主流采用的功能——这些功能可以帮助我们构建更健壮、可靠和公平的机器学习系统。

本书介绍了因果推理,因为它涉及很多数据科学和机器学习工作。我们引入因果图,着重于消除理解的概念障碍。然后我们利用这个理解来探索关于不变预测的最新想法,它给高维问题带来了因果图的一些好处。通过附带的原型,我们展示了即使是经典的机器学习问题,如图像分类,也可以从因果推理工具中受益。

成为VIP会员查看完整内容
0
140

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

成为VIP会员查看完整内容
0
53

近年来,自然语言处理的研究方法取得了一些突破。这些突破来源于两个新的建模框架以及在计算和词汇资源的可用性的改进。在这个研讨会小册子中,我们将回顾这些框架,以一种可以被视为现代自然语言处理开端的方法论开始:词嵌入。我们将进一步讨论将嵌入式集成到端到端可训练方法中,即卷积神经网络和递归神经网络。这本小册子的第二章将讨论基于注意力的模型的影响,因为它们是最近大多数最先进的架构的基础。因此,我们也将在本章中花很大一部分时间讨论迁移学习方法在现代自然语言处理中的应用。最后一章将会是一个关于自然语言生成的说明性用例,用于评估最先进的模型的训练前资源和基准任务/数据集。

https://compstat-lmu.github.io/seminar_nlp_ss20/

在过去的几十年里,人工智能技术的重要性和应用不断得到关注。在当今时代,它已经与构成人类塑造环境的大部分环境密不可分。因此,商业、研究和开发、信息服务、工程、社会服务和医学等无数部门已经不可逆转地受到人工智能能力的影响。人工智能有三个主要领域组成了这项技术:语音识别、计算机视觉和自然语言处理(见Yeung (2020))。在这本书中,我们将仔细研究自然语言处理(NLP)的现代方法。

这本小册子详细介绍了用于自然语言处理的现代方法,如深度学习和迁移学习。此外,本研究亦会研究可用于训练自然语言处理任务的资源,并会展示一个将自然语言处理应用于自然语言生成的用例。

为了分析和理解人类语言,自然语言处理程序需要从单词和句子中提取信息。由于神经网络和其他机器学习算法需要数字输入来进行训练,因此应用了使用密集向量表示单词的词嵌入。这些通常是通过有多个隐藏层的神经网络学习的,深度神经网络。为了解决容易的任务,可以应用简单的结构神经网络。为了克服这些简单结构的局限性,采用了递归和卷积神经网络。因此,递归神经网络用于学习不需要预先定义最佳固定维数的序列的模型,卷积神经网络用于句子分类。第二章简要介绍了NLP中的深度学习。第三章将介绍现代自然语言处理的基础和应用。在第四章和第五章中,将解释和讨论递归神经网络和卷积神经网络及其在自然语言处理中的应用。

迁移学习是每个任务或领域的学习模型的替代选择。在这里,可以使用相关任务或领域的现有标记数据来训练模型,并将其应用到感兴趣的任务或领域。这种方法的优点是不需要在目标域中进行长时间的训练,并且可以节省训练模型的时间,同时仍然可以(在很大程度上)获得更好的性能。迁移学习中使用的一个概念是注意力,它使解码器能够注意到整个输入序列,或自注意,它允许一个Transformer 模型处理所有输入单词,并建模一个句子中所有单词之间的关系,这使得快速建模一个句子中的长期依赖性成为可能。迁移学习的概念将在小册子的第6章简要介绍。第七章将通过ELMo、ULMFiT和GPT模型来描述迁移学习和LSTMs。第八章将详细阐述注意力和自注意力的概念。第九章将迁移学习与自注意力相结合,介绍了BERT模型、GTP2模型和XLNet模型。

为NLP建模,需要资源。为了找到任务的最佳模型,可以使用基准测试。为了在基准实验中比较不同的模型,需要诸如精确匹配、Fscore、困惑度或双语评估替补学习或准确性等指标。小册子的第十章简要介绍了自然语言处理的资源及其使用方法。第11章将解释不同的指标,深入了解基准数据集SQuAD、CoQa、GLUE和SuperGLUE、AQuA-Rat、SNLI和LAMBADA,以及可以找到资源的预训练模型和数据库,如“带代码的论文”和“大坏的NLP数据库”。

在小册子的最后一章中,介绍了生成性NLP处理自然语言生成,从而在人类语言中生成可理解的文本。因此,不同的算法将被描述,聊天机器人和图像字幕将被展示,以说明应用的可能性。

本文对自然语言处理中各种方法的介绍是接下来讨论的基础。小册子的各个章节将介绍现代的NLP方法,并提供了一个更详细的讨论,以及各种示例的潜力和限制。

成为VIP会员查看完整内容
0
146

这本书的重点是面向深度不确定性下关于决策的理论和实践的相关工具和方法。它探讨了在深度不确定性下支持战略计划设计的方法和工具,以及它们在现实世界中的测试,包括在实践中使用它们的障碍和促成因素。这本书扩展了传统的方法和工具,包括与手头的问题相关的行为和网络的分析。它还展示了如何利用应用过程中获得的经验教训来改进设计过程中使用的方法和工具。这本书提供了识别和运用适当的方法和工具来设计计划的指导,以及在现实世界中实施这些计划的建议。对于决策者和实践者,这本书包括现实的例子和实用的指导方针,应该帮助他们理解在深度不确定性下的决策是什么,以及它可能如何帮助他们。

深度不确定性下的决策: 从理论到实践分为四个部分。第一部分介绍了在深度不确定性下设计策略计划的五种方法: 稳健决策、动态适应规划、动态适应策略路径、信息缺口决策理论和工程选项分析。每种方法都是根据其理论基础、使用方法时要遵循的方法学步骤、最新的方法学见解和改进的挑战来制定的。在第二部分中,将介绍每一种方法的应用。基于最近的案例研究,运用每种方法的实际意义被深入讨论。第三部分基于对真实世界案例的理解,重点关注在真实世界的环境中使用这些方法和工具。第四部分包含结论和综合可以为设计、应用和执行深度不确定性下的策略计划而得出的教训,以及对未来工作的建议。

成为VIP会员查看完整内容
0
44

有几个主要的主题贯穿全书。这些主题主要是对两个不同类别的比较。当你阅读的时候,很重要的一点是你要明白书的不同部分适合什么类别,不适合什么类别。

统计与因果。即使有无限多的数据,我们有时也无法计算一些因果量。相比之下,很多统计是关于在有限样本中解决不确定性的。当给定无限数据时,没有不确定性。然而,关联,一个统计概念,不是因果关系。在因果推理方面还有更多的工作要做,即使在开始使用无限数据之后也是如此。这是激发因果推理的主要区别。我们在这一章已经做了这样的区分,并将在整本书中继续做这样的区分。

识别与评估。因果效应的识别是因果推论所独有的。这是一个有待解决的问题,即使我们有无限的数据。然而,因果推理也与传统统计和机器学习共享估计。我们将主要从识别因果效应(在第2章中,4和6)之前估计因果效应(第7章)。例外是2.5节和节4.6.2,我们进行完整的例子估计给你的整个过程是什么样子。

介入与观察。如果我们能进行干预/实验,因果效应的识别就相对容易了。这很简单,因为我们可以采取我们想要衡量因果效应的行动,并简单地衡量我们采取行动后的效果。观测数据变得更加复杂,因为数据中几乎总是引入混杂。

假设。将会有一个很大的焦点是我们用什么假设来得到我们得到的结果。每个假设都有自己的框来帮助人们注意到它。清晰的假设应该使我们很容易看到对给定的因果分析或因果模型的批评。他们希望,清晰地提出假设将导致对因果关系的更清晰的讨论。

https://www.bradyneal.com/causal-inference-course

成为VIP会员查看完整内容
0
145

管理统计和数据科学的原理包括:数据可视化;描述性措施;概率;概率分布;数学期望;置信区间;和假设检验。方差分析;简单线性回归;多元线性回归也包括在内。另外,本书还提供了列联表、卡方检验、非参数方法和时间序列方法。

教材:

  • 包括通常在入门统计学课程中涵盖的学术材料,但与数据科学扭曲,较少强调理论
  • 依靠Minitab来展示如何用计算机执行任务
  • 展示并促进来自开放门户的数据的使用
  • 重点是发展对程序如何工作的直觉
  • 让读者了解大数据的潜力和目前使用它的失败之处
成为VIP会员查看完整内容
1
104

对因果推理的简明和自成体系的介绍,在数据科学和机器学习中越来越重要。

因果关系的数学化是一个相对较新的发展,在数据科学和机器学习中变得越来越重要。这本书提供了一个独立的和简明的介绍因果模型和如何学习他们的数据。在解释因果模型的必要性,讨论潜在的因果推论的一些原则,这本书教读者如何使用因果模型:如何计算干预分布,如何从观测推断因果模型和介入的数据,和如何利用因果思想经典的机器学习问题。所有这些主题都将首先以两个变量的形式进行讨论,然后在更一般的多元情况下进行讨论。对于因果学习来说,二元情况是一个特别困难的问题,因为经典方法中用于解决多元情况的条件独立不存在。作者认为分析因果之间的统计不对称是非常有意义的,他们报告了他们对这个问题十年来的深入研究。

本书对具有机器学习或统计学背景的读者开放,可用于研究生课程或作为研究人员的参考。文本包括可以复制和粘贴的代码片段、练习和附录,其中包括最重要的技术概念摘要。

首先,本书主要研究因果关系推理子问题,这可能被认为是最基本和最不现实的。这是一个因果问题,需要分析的系统只包含两个可观测值。在过去十年中,作者对这个问题进行了较为详细的研究。本书整理这方面的大部分工作,并试图将其嵌入到作者认为对研究因果关系推理问题的选择性至关重要的更大背景中。尽管先研究二元(bivariate)案例可能有指导意义,但按照章节顺序,也可以直接开始阅读多元(multivariate)章节;见图一。

第二,本书提出的解决方法来源于机器学习和计算统计领域的技术。作者对其中的方法如何有助于因果结构的推断更感兴趣,以及因果推理是否能告诉我们应该如何进行机器学习。事实上,如果我们不把概率分布描述的随机实验作为出发点,而是考虑分布背后的因果结构,机器学习的一些最深刻的开放性问题就能得到最好的理解。
成为VIP会员查看完整内容
0
309
小贴士
相关VIP内容
专知会员服务
28+阅读 · 8月27日
专知会员服务
53+阅读 · 3月20日
专知会员服务
146+阅读 · 2月22日
专知会员服务
96+阅读 · 2020年9月1日
专知会员服务
145+阅读 · 2020年8月25日
专知会员服务
104+阅读 · 2020年7月29日
相关论文
Arthur J. Parzygnat
0+阅读 · 9月13日
Vincent Grari,Sylvain Lamprier,Marcin Detyniecki
1+阅读 · 9月10日
Haochen Liu,Yiqi Wang,Wenqi Fan,Xiaorui Liu,Yaxin Li,Shaili Jain,Yunhao Liu,Anil K. Jain,Jiliang Tang
7+阅读 · 8月19日
Sander Beckers
4+阅读 · 2020年12月10日
Annie Xie,Dylan P. Losey,Ryan Tolsma,Chelsea Finn,Dorsa Sadigh
10+阅读 · 2020年11月12日
Liuyi Yao,Zhixuan Chu,Sheng Li,Yaliang Li,Jing Gao,Aidong Zhang
77+阅读 · 2020年2月5日
Wenwu Zhu,Xin Wang,Peng Cui
19+阅读 · 2020年1月2日
Bernhard Schölkopf
10+阅读 · 2019年11月24日
Joseph Y. Halpern
5+阅读 · 2019年9月30日
A Survey of Learning Causality with Data: Problems and Methods
Ruocheng Guo,Lu Cheng,Jundong Li,P. Richard Hahn,Huan Liu
7+阅读 · 2018年9月25日
Top