【牛津大学博士论文】因果与可信机器学习:方法与应用，201页pdf

这项工作集中在机器学习与因果推理的交汇点，以及这两个领域如何通过相互分享思想来增强彼此：利用机器学习技术来计算因果量，使用因果推理中的思想来实现在未见治疗制度下的不变预测，以及探索可信赖的机器学习领域的主题，包括可解释性和公平性，通过因果视角。在所呈现的每项工作中，我们都在努力应对利用因果推理技术所需的假设强度，并在可能的情况下放松部分假设。

在第一章中，我们介绍了这些工作背后的动机以及激发这一研究计划的挑战。第二章提供了关于因果机器学习和可信机器学习的基本主题的基础。在第三章中，我们介绍了在部分因果图知识下的因果效应估计方法。在第四章中，我们研究了在复杂数据环境下的因果效应估计，例如图像、文本和基因表达网络，并提出了一种利用粗略干预的不变估计方法。在第五章中，我们提供了一种对可解释机器学习的因果视角，统一了现有工作，并提供了一个涉及充分性和必要性概念的完整且合理的算法。最后，在第六章和第七章中，我们介绍了公平机器学习中的方法和调查。 近几十年来，机器学习（ML）在公众视野中取得了重大进展，同时也成为计算和科学研究的主流。传统机器学习工具箱中最常见的技术关注于观察数据集内的相关性，旨在为某一数据集中的结果拟合一个成功的预测器。这与找到将输入 X 映射到输出 Y 的真实、现实世界机制截然不同；一个成功的预测器只需要根据训练数据对这种关系的视角，足够地将 X 和 Y 关联起来。然而，回答许多研究人员最感兴趣的问题需要真实的映射——如何做出准确的个人医疗建议，如何预测政策干预的结果，或如何识别引发自然现象的条件——这些问题超出了单纯共现的范畴。它们涉及因果关系。 此外，对可能将机器学习的前景转变为危险的失败模式越来越受到关注和审视——专注于为训练数据集找到任何成功的预测器，而不是找到真实的底层函数，这是有代价的：在部署期间可能会发生意想不到的事情。对于机器学习失败模式的许多担忧可以追溯到无法识别真实的底层函数。当应用于社会关键数据时，由于从数据收集实践到算法放大现有偏见的任何原因，模型可能会对人口中的敏感群体产生不同的影响。当深度模型落入从业者和研究人员的手中时，它们变得难以解释：并不容易立即解释为什么某些输入会导致特定的预测或输出。