46
个编辑
更改
跳到导航
跳到搜索
第31行：
第31行： − 原书前言+ + − 章 统计和因果模型+ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + − + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + − 0章 时间序列+ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
Elements of Causal Inference: Foundations and Learning Algorithms (查看源代码)
2022年6月19日 (日) 21:57的版本
、 2022年6月19日 (日) 21:57→内容目录
=内容目录=
=内容目录=
前言
符号和术语
符号和术语
第1章 统计和因果模型
1.1 概率论与统计学
1.1 概率论与统计学
1.2 学习理论
1.2 学习理论
1.3 因果建模和学习
1.3 因果建模和学习
1.4 实例
1.4 实例
1.4.1 模式识别
1.4.1 模式识别
1.4.2 基因干扰
1.4.2 基因干扰
第2章 因果推断假设
第2章 因果推断假设
2.1 独立机制原则
2.1 独立机制原则
2.2 历史记录
2.2 历史记录
2.3 因果模型的物理结构
2.3 因果模型的物理结构
2.3.1 时间的作用
2.3.1 时间的作用
2.3.2 物理定律
2.3.2 物理定律
2.3.3 循环赋值
2.3.3 循环赋值
2.3.4 干预的可行性
2.3.4 干预的可行性
2.3.5 原因和机制的独立性以及时间的热力学之箭
2.3.5 原因和机制的独立性以及时间的热力学之箭
第3章 原因-效果模型
第3章 原因-效果模型
3.1 结构因果模型
3.1 结构因果模型
3.2 干预
3.2 干预
3.3 反事实
3.3 反事实
3.4 结构因果模型的标准表示
3.4 结构因果模型的标准表示
3.5 问题
3.5 问题
第4章 学习原因-效果模型
第4章 学习原因-效果模型
4.1 结构可识别性
4.1 结构可识别性
4.1.1 为什么需要额外的假设
4.1.1 为什么需要额外的假设
4.1.2 假设类型的概述
4.1.2 假设类型的概述
4.1.3 非高斯加性噪声的线性模型
4.1.3 非高斯加性噪声的线性模型
4.1.4 非线性加性噪声模型
4.1.4 非线性加性噪声模型
4.1.5 离散加性噪声模型
4.1.5 离散加性噪声模型
4.1.6 后非线性模型
4.1.6 后非线性模型
4.1.7 信息-几何因果推断
4.1.7 信息-几何因果推断
4.1.8 Trace方法
4.1.8 Trace方法
4.1.9 以算法信息理论为可能的基础
4.1.9 以算法信息理论为可能的基础
4.2 结构识别方法
4.2 结构识别方法
4.2.1 加性噪声模型
4.2.1 加性噪声模型
4.2.2 信息几何因果推断
4.2.2 信息几何因果推断
4.2.3 Trace方法
4.2.3 Trace方法
4.2.4 监督学习方法
4.2.4 监督学习方法
4.3 问题
4.3 问题
第5章 与机器学联系1
第5章 与机器学联系1
5.1 半监督学习
5.1 半监督学习
5.1.1 半监督学习和因果方向
5.1.1 半监督学习和因果方向
5.1.2 关于半监督学习在因果方向上的注释
5.1.2 关于半监督学习在因果方向上的注释
5.2 协变量偏移
5.2 协变量偏移
5.3 问题
5.3 问题
第6章 多变量因果模型
第6章 多变量因果模型
6.1 图的术语
6.1 图的术语
6.2 结构因果模型
6.2 结构因果模型
6.3 干预
6.3 干预
反事实
6.4 反事实
6.5 马尔可夫性、忠实性和因果小性
6.5 马尔可夫性、忠实性和因果小性
6.5.1 马尔可夫性
6.5.1 马尔可夫性
6.5.2 因果图模型
6.5.2 因果图模型
6.5.3 忠实性和因果小性
6.5.3 忠实性和因果小性
6.6 通过协变量调整计算干预分布
6.6 通过协变量调整计算干预分布
6.7 do-calculus
6.7 do-calculus
6.8 因果模型的等价性和可证伪性
6.8 因果模型的等价性和可证伪性
6.9 潜在的结果
6.9 潜在的结果
6.9.1 定义与实例
6.9.1 定义与实例
6.9.2 潜在的结果与结构因果模型之间的关系
6.9.2 潜在的结果与结构因果模型之间的关系
6.10 单一对象的广义结构因果模型
6.10 单一对象的广义结构因果模型
6.11 条件算法独立性
6.11 条件算法独立性
6.12 问题
6.12 问题
第7章 学习多变量因果模型
第7章 学习多变量因果模型
7.1 结构可识别性
7.1 结构可识别性
7.1.1 忠实性
7.1.1 忠实性
7.1.2 加性噪声模型
7.1.2 加性噪声模型
7.1.3 具有等误差方差的线性高斯模型
7.1.3 具有等误差方差的线性高斯模型
7.1.4 线性非高斯无环模型
7.1.4 线性非高斯无环模型
7.1.5 非线性高斯加性噪声模型
7.1.5 非线性高斯加性噪声模型
7.1.6 观测数据和实验数据
7.1.6 观测数据和实验数据
7.2 结构识别方法
7.2 结构识别方法
7.2.1 基于独立的方法
7.2.1 基于独立的方法
7.2.2 基于分数的方法
7.2.2 基于分数的方法
7.2.3 加性噪声模型
7.2.3 加性噪声模型
7.2.4 已知因果次序
7.2.4 已知因果次序
7.2.5 观测数据与实验数据
7.2.5 观测数据与实验数据
7.3 问题
7.3 问题
第8章 与机器学联系2
第8章 与机器学联系2
8.1 半同胞回归
8.1 半同胞回归
8.2 因果推断与场景强化学习
8.2 因果推断与场景强化学习
8.2.1 逆概率加权
8.2.1 逆概率加权
8.2.2 场景强化学习
8.2.2 场景强化学习
8.2.3 21点（Blackjack）中的状态简化
8.2.3 21点（Blackjack）中的状态简化
8.2.4 改进广告布置的加权
8.2.4 改进广告布置的加权
8.3 域适应
8.3 域适应
8.4 问题
8.4 问题
第9章 隐藏变量
第9章 隐藏变量
9.1 干预充分性
9.1 干预充分性
9.2 Simpson悖论
9.2 Simpson悖论
9.3 工具变量
9.3 工具变量
9.4 条件独立性和图表示
9.4 条件独立性和图表示
9.4.1 图
9.4.1 图
9.4.2 快速因果推断
9.4.2 快速因果推断
9.5 条件独立性之外的约束
9.5 条件独立性之外的约束
9.5.1 Verma约束
9.5.1 Verma约束
9.5.2 不等式约束
9.5.2 不等式约束
9.5.3 基于协方差的约束
9.5.3 基于协方差的约束
9.5.4 附加噪声模型
9.5.4 附加噪声模型
9.5.5 检测低复杂度混杂因子
9.5.5 检测低复杂度混杂因子
9.5.6 不同的环境
9.5.6 不同的环境
9.6 问题
9.6 问题
第10章 时间序列
10.1 基础和术语
10.1 基础和术语
10.2 结构因果模型和干预
10.2 结构因果模型和干预
10.2.1 下采样
10.2.1 下采样
10.3 学习因果时间序列模型
10.3 学习因果时间序列模型
10.3.1 马尔可夫条件和忠实性
10.3.1 马尔可夫条件和忠实性
10.3.2 一些不要求忠实性的因果结论
10.3.2 一些不要求忠实性的因果结论
10.3.3 Granger因果关系
10.3.3 Granger因果关系
10.3.4 具有受限函数类的模型
10.3.4 具有受限函数类的模型
10.3.5 频谱独立准则
10.3.5 频谱独立准则
10.4 动态因果建模
10.4 动态因果建模
10.5 问题
10.5 问题
附录
附录
附录A 一些概率与统计学基础知识
附录A 一些概率与统计学基础知识
A.1 基本定义
A.1 基本定义
A.2 独立性以及条件独立性测试
A.2 独立性以及条件独立性测试
A.3 函数类的容量
A.3 函数类的容量
附录B 因果次序和邻接矩阵
附录B 因果次序和邻接矩阵
附录C 证明
附录C 证明
C.1 定理4.2的证明
C.1 定理4.2的证明
C.2 命题6.3的证明
C.2 命题6.3的证明
C.3 备注6.6的证明
C.3 备注6.6的证明
C.4 命题6.13的证明
C.4 命题6.13的证明
C.5 命题6.14的证明
C.5 命题6.14的证明
C.6 命题6.36的证明
C.6 命题6.36的证明
C.7 命题8的证明
C.7 命题8的证明
C.8 命题9的证明
C.8 命题9的证明
C.9 命题7.1的证明
C.9 命题7.1的证明
C.10 命题7.4的证明
C.10 命题7.4的证明
C.11 命题8.1的证明
C.11 命题8.1的证明
C.12 命题8.2的证明
C.12 命题8.2的证明
C.13 命题9.3的证明
C.13 命题9.3的证明
C.14 命题10.3的证明
C.14 命题10.3的证明
C.15 定理10.4的证明
C.15 定理10.4的证明
参考文献
参考文献
=资源获取=
=资源获取=
*[https://library.oapen.org/bitstream/id/056a11be-ce3a-44b9-8987-a6c68fce8d9b/11283.pdf 《Elements of Causal Inference: Foundations and Learning Algorithms》]
*[https://library.oapen.org/bitstream/id/056a11be-ce3a-44b9-8987-a6c68fce8d9b/11283.pdf 《Elements of Causal Inference: Foundations and Learning Algorithms》]