因果学习：可解释机器学习的新视角

Jun, 2020

因果学习：可解释机器学习的新视角

Causality Learning: A New Perspective for Interpretable Machine Learning

Guandong Xu, Tri Dung Duong, Qian Li, Shaowu Liu, Xianzhi Wang

TL;DR本文概述了因果分析的基本背景和关键概念，总结了最近的可解释机器学习的因果方法，讨论了评估方法质量和因果可解释性中的开放问题。

Abstract

Recent years have witnessed the rapid growth of machine learning in a wide range of fields such as image recognition, text classification, credit scoring prediction, recommendation system, etc. In spite of their great performance in different sectors, researchers still concern about th

machine learning interpreting causal analysis interpretable machine learning evaluation techniques

发现论文，激发创造

机器学习的因果可解释性：问题、方法和评估

本文综述了因果可解释模型的问题和方法，并深入探讨了用于衡量解释度的评估度量标准，从而帮助实践者了解每种评估度量标准适用于哪些场景。

Mar, 2020

从依赖到因果

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

从统计学习到因果学习

该研究阐述了建立和理解人工智能系统的基本思想：从符号方法到统计学习，再到基于因果关系概念的干预模型，其中一些机器学习和人工智能的难题内在地与因果关系有关，而进展可能需要我们加深对如何从数据中建模和推断因果关系的理解。

Apr, 2022

走向因果表示学习

论文回顾了因果推断的基本概念，并将其与机器学习的关键问题联系起来，提出了因果表示学习的核心问题，并提出了机器学习和因果学研究领域的关键研究方向。

Feb, 2021

因果机器学习：调查和开放问题

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

政策评估中的因果机器学习透明度挑战 —— 提高可用性与责任认定

通过可解释的人工智能工具和符合可解释人工智能原则的模型简化，本研究探讨了透明度问题在公共政策评估中对因果机器学习的影响，并应用到一个案例研究中，展示了现有工具对于理解黑盒预测模型的不适用性，以及将模型简化以提高可解释性会导致误差的不可接受增加，最终得出需要新工具来正确理解因果机器学习模型及其拟合算法的结论。

Oct, 2023

学习可解释概念：统一因果表示学习与基础模型

通过结合因果表示学习和理解如何从数据中学习可理解概念的思想，本研究正式定义了一个概念的概念，并证明了它们可以从多样数据中被可靠地还原，合成数据和大型语言模型上的实验表明了我们统一方法的实用性。

Feb, 2024

可解释机器学习技术

本文综述了提高可解释机器学习模型的技术，并讨论了未来研究的关键问题，如设计用户友好的解释和开发全面的评估指标，以进一步推动可解释机器学习的发展。

Jul, 2018

医学影像分析学习算法因果关系评述

本文探讨基于技术成熟度级别的因果分析方法在医疗图像分析中填补算法性能和可靠性方面的空白，并就基于因果性的方法在医疗图像 AI/ML 中的应用进行了综述，发现其具有减轻临床转化中的关键问题的潜力，但目前在临床下游研究中的应用尚有限。

Jun, 2022

定量因果关系、因果引导的科学发现和因果机器学习

因果分析对于可解释的深度学习和泛化提供了有前景的途径，通过将因果性纳入人工智能算法，并利用气象可预测性初次构建严格的因果分析形式体系，在过去的 18 年中，成功解决了以往因果性分析中模糊、非数量化、计算效率低等挑战，并通过广泛应用在大气海洋科学以及其他学科领域，如量子力学、神经科学、金融经济学等，带来了科学发现。本文简要回顾了这十年来的探索工作，包括重要的理论结果列表、因果深度学习框架的概述以及与地球科学相关的一些实际应用，例如关于全球变暖人为原因、El Niño Modoki 的年代预测、中国极端干旱的预测等。

Feb, 2024