最近大多数机器学习都专注于纯预测性能,这是其实际成功背后的驱动力。因果关系的问题(理解预测为什么有效)在某种程度上被抛在了后面。这种模式非常重要,因为它可以帮助理解哪些基因导致了哪些疾病,哪些政策影响了哪些经济指标。

在因果关系领域,我们希望了解系统在干预(如基因敲除实验)下的反应。这些问题超出了统计上的依赖,因此不能用标准的回归或分类技术来回答。在本教程中,你将学习因果推理的有趣问题和该领域的最新发展。不需要事先了解因果关系。

第一部分: 我们介绍了结构性因果模型和正式的介入性分布。我们定义因果效应,并展示如何计算它们,如果因果结构是已知的。

第二部分: 我们提出了三种可以用来从数据中推断因果结构的想法:(1)发现数据中的(条件)独立性,(2)限制结构方程模型,(3)利用因果模型在不同环境中保持不变的事实。

第三部分:我们展示了因果概念如何在更经典的机器学习问题中使用。

第四部分: 机器学习的应用

成为VIP会员查看完整内容
95

相关内容

因果图模型导论,183页ppt,加州理工Spencer Gordon讲授
专知会员服务
55+阅读 · 2022年7月20日
【ICML2022教程】因果公平性分析,68页ppt
专知会员服务
30+阅读 · 2022年7月19日
「因果发现和因果推理」简明介绍,37页ppt
专知会员服务
111+阅读 · 2021年4月5日
【NeurIPS2020】因果推断学习教程,70页ppt
专知会员服务
185+阅读 · 2020年12月12日
最新《因果推断导论》课程,102页ppt
专知会员服务
177+阅读 · 2020年9月1日
迁移学习简明教程,11页ppt
专知会员服务
104+阅读 · 2020年8月4日
【ICML2022教程】因果公平性分析,68页ppt
专知
2+阅读 · 2022年7月19日
告别曲线拟合:因果推断和do-Calculus简介
论智
24+阅读 · 2018年5月26日
国家自然科学基金
16+阅读 · 2013年12月31日
国家自然科学基金
5+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
26+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011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8月26日
Arxiv
14+阅读 · 2020年12月17日
Deformable Style Transfer
Arxiv
14+阅读 · 2020年3月24日
Arxiv
20+阅读 · 2019年11月24日
VIP会员
相关VIP内容
因果图模型导论,183页ppt,加州理工Spencer Gordon讲授
专知会员服务
55+阅读 · 2022年7月20日
【ICML2022教程】因果公平性分析,68页ppt
专知会员服务
30+阅读 · 2022年7月19日
「因果发现和因果推理」简明介绍,37页ppt
专知会员服务
111+阅读 · 2021年4月5日
【NeurIPS2020】因果推断学习教程,70页ppt
专知会员服务
185+阅读 · 2020年12月12日
最新《因果推断导论》课程,102页ppt
专知会员服务
177+阅读 · 2020年9月1日
迁移学习简明教程,11页ppt
专知会员服务
104+阅读 · 2020年8月4日
相关基金
国家自然科学基金
16+阅读 · 2013年12月31日
国家自然科学基金
5+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
26+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011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