CausalML: 用于因果机器学习的 Python 包
本文介绍了因果机器学习(CausalML)方法,该方法将数据生成过程形式化为结构性因果模型(SCM),并从因果的角度探讨了干预和反事实的影响,同时将该方法归类为五类:因果监督学习,因果生成建模,因果解释,因果公平性和因果强化学习,并比较了每种类别中的方法,包括在计算机视觉,自然语言处理和图形表示学习等不同领域的应用,提供了因果基准的概述,以及对该新兴领域现状的关键讨论和未来工作的建议。
Jun, 2022
用于因果发现的开源 Python 库 causal-learn,集成了全面的因果发现方法,为实践者和研究人员提供了易于使用的 API,模块化构建块,详细的学习文档和综合的方法。
Jul, 2023
机器学习在预测方面已经取得了很大进展,但缺乏通用人工智能,研究表明因果推断是实现机器推理和机器智能的一种重要方法,本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究,提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。
Jul, 2016
本文介绍了一个名为 causalgraph 的新型 Python 包,用于建模和保存嵌入在知识图中的因果图;提供了一种联接其他信息和元数据到因果结构的能力,并且兼容于其他广泛使用的图形数据科学库,例如 NetworkX 和 Tigramite。
Jan, 2023
本文提出了一种新的开源 Python 框架,能够从观测数据和背景领域知识中进行因果发现,旨在进行因果图和因果机制建模。该框架实现了端到端的方法,包括从 'Bnlearn' 和 'Pcalg' 等程序包中导入的算法,以及用于成对因果发现的 ANM 算法。此外,该框架还能够恢复直接依赖(因果图的骨架)和变量之间的因果关系。'cdt' 是一个以 MIT 许可证发布的软件包。
Mar, 2019
本文探讨了如何将因果推断融入临床决策支持系统,以及因果表示学习、因果发现和因果推理领域中的研究方向,以解决医疗应用中存在的高维非结构化数据处理、样本推广和时间关系等挑战。以 Alzheimer 病为例,展示了因果机器学习在临床场景中的优势。
May, 2022
这篇研究论文旨在介绍数据科学中的因果推理对机器学习的重要性,包括因果推理的原则、机器学习的应用,以及与之相关的扩展视野和知识,特别关注机器学习中的分布外泛化问题。
May, 2024
机器学习与因果推断的新兴融合方法介绍,涵盖经典结构方程模型、其现代人工智能等价物有向无环图和结构性因果模型的思想,并使用现代预测工具来进行这些模型的推断。
Mar, 2024
该研究介绍了 R 包 CausalModels 的使用,旨在提供一些结构模型,以解决因果推断的统计分析问题,并为因果效应的估计提供多种常用方法,包括标准化、IP 加权、G 估计、结果回归、工具变量和倾向匹配。
Jul, 2023