数据因果学习的调查:问题与方法
本文综述了在潜在结果框架下,针对观察数据的因果推断方法。这些方法分为两类,包括传统的统计学方法和最新的机器学习方法,还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。
Feb, 2020
在大数据时代,处于生态经济学、医疗保健、网络挖掘、在线广告和市场营销等多个领域的观测数据的因果关系进一步的理解异常重要。然而目前现有的因果效果评估方法主要集中在源特定和固定的观测数据上,缺乏对数据连续性、领域适配性以及海量数据的易用性等问题的持续性研究,而这些问题非常普遍。本论文定义了持续性治疗效果的评估问题,并提出了问题的研究难点和可能的解决方案。最后,我们还讨论了未来该领域的研究方向。
Jan, 2023
本文探讨了应用因果分析作为资源优化工具来开发医学成像机器学习应用的潜力。通过对合成数据集和糖尿病视网膜病变图像分析的实例研究,研究了数据集干预对图像分类模型输出的影响,以及需要在数据集中加入的数据量和类型以实现特定子任务的更好性能。
Jun, 2022
因果关系是各个领域研究事件、现象和结果之间关系的基本方法之一,本文调查了因果关系在过去五十年的发展,揭示了它与其他方法的差异以及使用它的前提条件,同时阐明了因果关系与人工智能、生成式人工智能、机器学习、深度学习、强化学习和模糊逻辑等新方法的相互作用及其对各个领域的影响和贡献,以及其模型的可信度和可解释性,并提出了几种评估因果关系模型的方法,并讨论了未来的发展方向。
Mar, 2024
本文回顾和综述了有关因果推理及结构发现方法的背景理论,重点介绍了现代连续优化方法,并提供了参考资源如基准数据集和软件包。最后,我们还讨论了从结构到因果所需要的假设性跳跃。
Mar, 2021
本文综合评述了深度学习在因果学习中的贡献,解决了传统因果学习方法中的许多问题,并指出深度因果学习在因果科学的理论拓展和应用扩展中的重要性,并成为通用人工智能中不可或缺的一部分。
Nov, 2022