MMJun, 2022

因果机器学习：调查和开放问题

PDF
TL;DR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。
causal machine learningstructural causal modelinterventionscounterfactualscausal benchmarks
发现论文，激发创造
  • 医疗保健和精准医学的因果机器学习

    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

  • 因果学习：可解释机器学习的新视角

    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。

    Jun, 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

  • 学习潜在结构因果模型

    本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。

    Oct, 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

  • 应用 ML 和 AI 推动的因果推断

    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

  • CausalML: 用于因果机器学习的 Python 包

    介绍了 CausalML 这个 Python 包的关键概念、范围和用例，它实现了与因果推断和机器学习相关的算法，填补了理论方法和实际应用之间的差距。

    Feb, 2020

  • 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

  • 从可识别的因果表征到可控的反事实生成：因果生成建模综述

    深度生成模型在数据密度估计和有限样本数据生成方面取得了巨大成功。然而，它们存在无法解释性、倾向于引起虚假相关性和在超出分布范围的外推方面表现不佳等一些基本缺点。为了解决这些挑战，可以将因果性理论融入深度生成建模，结构因果模型可以描述数据生成过程并对系统中的变量之间的复杂因果关系和机制进行建模。因此，结构因果模型可以与深度生成模型自然地结合起来，给深度生成模型提供许多有益的属性，如分布偏移鲁棒性、公平性和互操作性。我们提供了一个因果生成建模的技术调研，将其分为因果表示学习和可控反事实生成方法两类。我们关注因果生成模型在公平性、隐私、超出分布泛化和精准医学方面的基本理论、形式化、缺点、数据集、度量和应用。我们还讨论了该领域未解决的问题和未来研究方向。

    Oct, 2023

  • 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