316
个编辑
更改
跳到导航
跳到搜索
第37行：
第37行： + + + + + + + + + + + + + + + + + + +
无编辑摘要
== 参考文献 ==
== 参考文献 ==
<references />
== 编辑推荐 ==
=== 课程推荐 ===
* [https://pattern.swarma.org/study_group_issue/176 基于工具变量的因果推断和因果可泛化学习 | 周日直播·因果科学读书会 | 集智俱乐部 (swarma.org)]
这个视频内容来自集智俱乐部读书会-因果科学与Causal AI读书会第三季内容的分享，本次读书会邀请到浙江大学况琨老师、吴安鹏和袁俊坤两位博士生从工具变量的视角，介绍如何利用机器学习赋能大数据因果推断。报告将从因果推断的工具变量视角出发，探讨领域泛化问题中存在的偏差问题，并提出因果可泛化学习机制。
第一部分将从解耦表征学习的角度出发，将观察性研究中涉及的协变量区分为工具变量、混淆变量、调整变量三部分。报告将探讨在非混淆性假设不成立时，如何从观察性数据中基于一定先验假设进行简单工具变量识别的方法。最后我们给出了一种结合混淆平衡方法和工具变量方法的最新研究，能够同时消除观察到的混淆变量和观察不到的隐变量带来的混淆偏倚。
第二部分将从因果的角度探讨领域泛化问题，引入工具变量的思路解决领域泛化中关键性的域不变关系学习问题，从多个源域中学习出稳定的因果关系，提升模型在未知数据域上的泛化表现。
=== 相关路径 ===
* 因果科学与Casual AI读书会必读参考文献列表，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* 因果推断方法概述,这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* 因果科学和 Causal AI入门路径，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。