259
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − − 分布外泛化那个章节记得加文献和引用。 − − PLL：加了两篇 − − 崔鹏老师： − Cui, Peng, Athey, et al. Stable learning establishes some common ground between causal inference and machine learning. nature machine intelligence, 2022, 4(2): 110-115 − − 综述里面引用的：Arjovsky, M.; Bottou, L.; Gulrajani, I.; Lopez-Paz, D. Invariant risk minimization. arXiv 2019, arXiv:1907.02893 因果比相关性更好 − − YMZ： 可以。所有arxiv上的文章可以多查一下，看有没有已经正式发表的。有的话引正式发表的版本。 − − PLL：web of science登录后只能查研究人员，查不了文献o(╥﹏╥)o − − YMZ：没事，就直接网页上查标题就行了，就是提醒一下有这个意识就行，不算是问题～ − − =NIS+ 概述= − − 这块OK啦，看看有什么引用可以加的 − − ==宏观EI的变分下界==+ − 目前引理那部分有两块相同内容，可以把重复的删掉。+ − − 新的优化目标那里，有好多行是写数学符号的，可以参照1式的样子，把那些行都写成一个case的形式。 − − 其他没啥问题了，下次看看张老师对这部分是什么意见。 + + 第40行：
第18行： + +
无编辑摘要
=NIS+ 数学推导=
=NIS+ 数学推导=
要分别有一段文字，介绍为什么我们需要变分下界和通用逼近定理这两个定理及其证明。
要分别有一段文字，介绍为什么我们需要变分下界和通用逼近定理这两个定理及其证明。
PLL：加入：（这样写可不可以？）
式1中，数学形式是一个泛函问题，无法直接进行优化，学者将通过计算变分下界解决泛函问题。同时，在NIS+框架中，学者使用了编码器将p维的输入数据进行粗粒化，得到q维的宏观数据，下面编码器的通用逼近定理将证明编码器的可以近似粗粒化函数。
==编码器的通用逼近定理==
==编码器的通用逼近定理==
这里的引理要和之前格式一样哦。
这里的引理要和之前格式一样哦。
PLL：师兄，这个引理在附录里面没有命名，要不您在起一个？
=机器学习算法=
=机器学习算法=
现在直接就讲怎么做的了，还是要在这之前介绍一下为什么需要样本重加权，提及它在因果机器学习或因果推断领域中的发展，尤其是把它和前面数学推导出来的w相联系。
现在直接就讲怎么做的了，还是要在这之前介绍一下为什么需要样本重加权，提及它在因果机器学习或因果推断领域中的发展，尤其是把它和前面数学推导出来的w相联系。
PLL：已改，师兄看看我理解对不对？