前门调整 - 版本历史

2022年7月11日 (一) 13:50 是趣木木呀

2022-07-11T13:50:38Z

是趣木木呀：/* 编者推荐 */

2022-07-11T08:32:03Z

编者推荐

是趣木木呀：/* 编者推荐 */

2022-07-11T08:30:41Z

编者推荐

2022年7月10日 (日) 08:00 是趣木木呀

2022-07-10T08:00:51Z

Kuang：/* 例子：吸烟与肺癌 */

2021-07-23T15:31:02Z

例子：吸烟与肺癌

Kuang：/* 例子：吸烟与肺癌 */

2021-07-23T15:29:34Z

例子：吸烟与肺癌

Kuang：/* 例子：吸烟与肺癌 */

2021-07-23T15:20:28Z

例子：吸烟与肺癌

Kuang：/* 例子 */

2021-07-23T15:08:55Z

例子

Kuang：/* 前门调整 */

2021-07-23T14:50:50Z

前门调整

Kuang：/* 有后门路径的定义，链接到后门调整 */

2021-07-23T14:49:38Z

有后门路径的定义，链接到后门调整

@@ 第74行： / 第74行： @@
 *[https://wiki.swarma.org/index.php%3Ftitle=%E4%B8%BA%E4%BB%80%E4%B9%88-%E5%85%B3%E4%BA%8E%E5%9B%A0%E6%9E%9C%E7%9A%84%E6%96%B0%E7%A7%91%E5%AD%A6 为什么-关于因果的新科学]
 [[File:为什么-关于因果关系的新科学.jpg|200px|thumb|right|《为什么-关于因果关系的新科学》封面|链接=https://wiki.swarma.org/index.php%3Ftitle=%E6%96%87%E4%BB%B6:%E4%B8%BA%E4%BB%80%E4%B9%88-%E5%85%B3%E4%BA%8E%E5%9B%A0%E6%9E%9C%E5%85%B3%E7%B3%BB%E7%9A%84%E6%96%B0%E7%A7%91%E5%AD%A6.jpg]]在本书中，人工智能领域的权威专家朱迪亚·珀尔及其同事领导的因果关系革命突破多年的迷雾，厘清了知识的本质，确立了因果关系研究在科学探索中的核心地位。
 关于这本书集智俱乐部邀请白楚研究员用100分钟，为大家详细介绍了Judea Pearl绘制的因果科学蓝图，作为一个起点，去拥抱因果革命。可以查看对应的视频分享[https://campus.swarma.org/course/1522 解读《为什么》：攀登因果之梯]
@@ 第89行： / 第88行： @@
 “因果+X”就是要让因果真正地应用于我们的科学研究中，不管你是来自计算机、数理统计领域，还是社会学、经济学、管理学领域，还是医学、生物学领域，我们希望共同探究出因果研究的范式，真正解决因果的多学科应用问题，乃至解决工业界的问题。
 ===文章总结===
 [https://swarma.org/?p=27916 因果推断：现代统计的思想飞跃 | 集智俱乐部 (swarma.org)]
@@ 第108行： / 第105行： @@
 *[https://pattern.swarma.org/path?id=9 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。
 *[https://pattern.swarma.org/path?id=90 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）。

@@ 第89行： / 第89行： @@
 “因果+X”就是要让因果真正地应用于我们的科学研究中，不管你是来自计算机、数理统计领域，还是社会学、经济学、管理学领域，还是医学、生物学领域，我们希望共同探究出因果研究的范式，真正解决因果的多学科应用问题，乃至解决工业界的问题。
 ===文章总结===
 [https://swarma.org/?p=27916 因果推断：现代统计的思想飞跃 | 集智俱乐部 (swarma.org)]

@@ 第80行： / 第80行： @@
 *[https://campus.swarma.org/course/2908 基于后门调整的因果推荐系统 | 第二季第十二期]
 这个视频邀请新加坡国立大学研究员冯福利老师介绍如何有效地将因果理论引入数据驱动的推荐模型，主要介绍通过引入后门调   整处理：1）流行度偏差；2）用户兴趣放大。
-*[https://campus.swarma.org/course/2526 两套因果框架深度剖析：潜在结果模型与结构因果模型]
+*[https://campus.swarma.org/course/1798 因果科学与 Causal AI 系列读书会]
-这个视频内容来自[https://wiki.swarma.org/index.php%3Ftitle=%E9%9B%86%E6%99%BA%E4%BF%B1%E4%B9%90%E9%83%A8%E8%AF%BB%E4%B9%A6%E4%BC%9A 集智俱乐部读书会]-因果科学与Causal AI读书会第二季内容的分享，由英国剑桥大学及其学习组博士陆超超详细的阐述了潜在结果模型和结果因果模型，并介绍了两个框架的相互转化规律。
+图灵奖得主朱迪亚·珀尔教授认为，当下正在进行一场改变数据科学的新革命 ”因果革命“。它以科学为中心，涉及从数据到政策、可解释性、机制的泛化，再到一些社会科学中的归因和公平性问题，甚至哲学中的创造性和自由意志 。本季读书会以Elements of Causal Inference一书为线索，主要展现因果科学在机器学习各个方向上的影响，包括强化学习、迁移学习、表示学习等等，并分享在工业界的部分应用成果。本季读书会梳理了因果科学的核心内容，理解它如何改变数据科学，助力 AI 系统超越曲线拟合和获得回答因果问题的能力。
-. 讲述因果推断的两大框架：潜在结果模型和结构因果模型，讨论他们各自的优缺点以及他们之间的联系，详细介绍他们之间的转化规律。
+“因果+X”就是要让因果真正地应用于我们的科学研究中，不管你是来自计算机、数理统计领域，还是社会学、经济学、管理学领域，还是医学、生物学领域，我们希望共同探究出因果研究的范式，真正解决因果的多学科应用问题，乃至解决工业界的问题。
 [https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]
 [https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]
 [https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]
 [https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]

←上一版本		2022年7月10日 (日) 08:00的版本
第67行：		第67行：

	<references />		<references />
		+	==编者推荐==
		+	===书籍推荐===
		+	[[File:统计因果推理入门.jpg\|200px\|thumb\|right\|《统计因果推理入门》封面\|链接=https://wiki.swarma.org/index.php%3Ftitle=%E6%96%87%E4%BB%B6:%E7%BB%9F%E8%AE%A1%E5%9B%A0%E6%9E%9C%E6%8E%A8%E7%90%86%E5%85%A5%E9%97%A8.jpg]]
		+	*[https://wiki.swarma.org/index.php%3Ftitle=%E7%BB%9F%E8%AE%A1%E5%9B%A0%E6%9E%9C%E6%8E%A8%E7%90%86%E5%85%A5%E9%97%A8 统计因果推理入门] 对应英文[https://wiki.swarma.org/index.php%3Ftitle=Causal_Inference_in_Statistics:_A_Primer Causal Inference in Statistics: A Primer]
		+	这本书非常适合初学者入门因果科学，这里面涉及到对结构因果模型的详细定义和阐述，非常清晰易懂。
		+	*[https://wiki.swarma.org/index.php%3Ftitle=%E4%B8%BA%E4%BB%80%E4%B9%88-%E5%85%B3%E4%BA%8E%E5%9B%A0%E6%9E%9C%E7%9A%84%E6%96%B0%E7%A7%91%E5%AD%A6 为什么-关于因果的新科学]
		+	[[File:为什么-关于因果关系的新科学.jpg\|200px\|thumb\|right\|《为什么-关于因果关系的新科学》封面\|链接=https://wiki.swarma.org/index.php%3Ftitle=%E6%96%87%E4%BB%B6:%E4%B8%BA%E4%BB%80%E4%B9%88-%E5%85%B3%E4%BA%8E%E5%9B%A0%E6%9E%9C%E5%85%B3%E7%B3%BB%E7%9A%84%E6%96%B0%E7%A7%91%E5%AD%A6.jpg]]在本书中，人工智能领域的权威专家朱迪亚·珀尔及其同事领导的因果关系革命突破多年的迷雾，厘清了知识的本质，确立了因果关系研究在科学探索中的核心地位。
		+
		+
		+	关于这本书集智俱乐部邀请白楚研究员用100分钟，为大家详细介绍了Judea Pearl绘制的因果科学蓝图，作为一个起点，去拥抱因果革命。可以查看对应的视频分享[https://campus.swarma.org/course/1522 解读《为什么》：攀登因果之梯]
		+	===课程推荐===
		+	*[https://campus.swarma.org/course/2908 基于后门调整的因果推荐系统 \| 第二季第十二期]
		+	这个视频邀请新加坡国立大学研究员冯福利老师介绍如何有效地将因果理论引入数据驱动的推荐模型，主要介绍通过引入后门调整处理：1）流行度偏差；2）用户兴趣放大。
		+	*[https://campus.swarma.org/course/2526 两套因果框架深度剖析：潜在结果模型与结构因果模型]
		+	这个视频内容来自[https://wiki.swarma.org/index.php%3Ftitle=%E9%9B%86%E6%99%BA%E4%BF%B1%E4%B9%90%E9%83%A8%E8%AF%BB%E4%B9%A6%E4%BC%9A 集智俱乐部读书会]-因果科学与Causal AI读书会第二季内容的分享，由英国剑桥大学及其学习组博士陆超超详细的阐述了潜在结果模型和结果因果模型，并介绍了两个框架的相互转化规律。
		+
		+	1. 讲述因果推断的两大框架：潜在结果模型和结构因果模型，讨论他们各自的优缺点以及他们之间的联系，详细介绍他们之间的转化规律。
		+
		+	2. 与大家一起深入探讨因果推断中最基本的概念、定理以及它们产生的缘由，了解每个概念背后的故事，从而建立起对因果更全面的感知。
		+
		+	3. 分享它们在不同学科中的具体的应用，包括社会科学、经济学、医学、机器学习等，借助这些应用，进一步启发大家用因果科学思维来思考和解决问题。
		+	*[https://campus.swarma.org/course/1937 如何用信息视角理解现代因果模型框架？]
		+	这个视频内容来自[https://wiki.swarma.org/index.php%3Ftitle=%E9%9B%86%E6%99%BA%E4%BF%B1%E4%B9%90%E9%83%A8%E8%AF%BB%E4%B9%A6%E4%BC%9A 集智俱乐部读书会]-因果科学与Causal AI读书会第一季内容的分享，这个视频为大家串讲因果推理的相关论文，着眼与因果研究的源头，简单介绍哲学中的因果思考。其次重点是用因果之梯（她的信息视角--回答因果问题需要相应的信息）和一个例子，来理解现代因果建模框架；最后梳理因果推理和 AI 领域的融合，以及Causal AI 的强人工智能之路。
		+	===文章总结===
		+	[https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]
		+
		+	[https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]
		+
		+	[https://mp.weixin.qq.com/s/W6PIE211TavEgg_s3adDdg 因果表征学习最新综述：连接因果科学和机器学习的桥梁]
		+
		+	[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]
		+
		+	[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]
		+
		+	[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]
		+
		+	[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]
		+
		+	[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]
		+	===相关路径===
		+	*[https://pattern.swarma.org/path?id=99 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。
		+	*[https://pattern.swarma.org/path?id=9 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。
		+	*[https://pattern.swarma.org/path?id=90 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）。
		+	*[https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
		+	*[https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。

←上一版本		2021年7月23日 (五) 15:31的版本
第58行：		第58行：


−	~~数学上，前门调整可以被运用。~~

		+	数学上，前门调整可以被运用,

		+	<math> P(Y=1\|do(X=0))= 0.4975,P(Y=1\|do(X=1))= 0.4525, </math>。

@@ 第26行： / 第26行： @@
 ==例子：吸烟与肺癌==
-[[文件:吸烟与肺癌.png|缩略图|吸烟与肺癌。S=smoking=吸烟，T=Tar=焦油，C=cancer=肺癌，G=gene=基因。我们需要估计吸烟对肺癌的因果效应。]]
+[[文件:吸烟与肺癌.png|缩略图|吸烟与肺癌。S=smoking=吸烟（对应表中X），T=Tar=焦油（对应表中Z），C=cancer=肺癌（对应表中Y），G=gene=基因。我们需要估计吸烟对肺癌的因果效应。]]
 [[文件:吸烟肺癌数据.png|缩略图|吸烟、焦油、肺癌数据。]]
 {| class="wikitable"
@@ 第55行： / 第55行： @@
 !85
 |}
-从数据中来看，似乎吸烟对肺癌有显著影响，但是烟草公司会从不同的角度争辩，从而给出不同的答案。
+从数据中来看，似乎吸烟对肺癌有显著影响，但是烟草公司会从不同的角度争辩，从而给出不同的答案。若我们只看非吸烟者，体内有焦油可以的患癌率从10%降到了5%；若们只看吸烟者，体内有焦油可以的患癌率从90%降到了85%，可见焦油有防护作用。
 <references />

@@ 第13行： / 第13行： @@
 #'''结合以上两种因果效应'''<math> P(y|do(t))= \sum_m P(y|do(m)) P(m| do(t))</math>.
-==前门准则==
+==前门准则<ref>Pearl, Judea. "Models, reasoning and inference." ''Cambridge, UK: CambridgeUniversityPress'' 19 (2000).</ref>==
 定义：我们说变量集 M 关于 T 和 Y 满足前门准则，若：
 # M 完全中介了 T 和 Y，即所有从T到Y的因果路径都经过M。
 # 从 T 到 M 没有未被阻断的[[后门路径]]。
-# 所有从M到Y的后门路径被 T阻断。
+# 所有从M到Y的[[后门路径]]被 T阻断。
 ==前门调整==
@@ 第25行： / 第25行： @@
 <math> P(y|do(t))= \sum_m P(m| t) \sum_{t'} P(y|m,t') P(t') </math>.
-==例子==
+==例子：吸烟与肺癌==
+[[文件:吸烟与肺癌.png|缩略图|吸烟与肺癌。S=smoking=吸烟，T=Tar=焦油，C=cancer=肺癌，G=gene=基因。我们需要估计吸烟对肺癌的因果效应。]]
 <references />

@@ 第2行： / 第2行： @@
 ==调整目的： 因果效应估计==
-我们期望在给定如下因果图的情况下，判断治疗变量 T 对结果变量 Y 的因果效应  <math> P(y|do(t))</math>，其中 W 是一个未观测的混淆变量，M 是中介变量。（注意：我们现在观测不到W，无法进行后门调整）
+我们期望在给定如下因果图的情况下，判断治疗变量 T 对结果变量 Y 的因果效应  <math> P(y|do(t))</math>，其中 W 是一个未观测的混淆变量，M 是中介变量。（注意：我们现在观测不到W，无法进行后门调整.。）
 [[文件:Front door.png|缩略图|229x229像素|前门调整]]
@@ 第9行： / 第9行： @@
 主要步骤如下<ref>https://www.bradyneal.com/Introduction_to_Causal_Inference-Dec17_2020-Neal.pdf</ref>：
-#'''估计T对M的因果效应'''<math> P(m|do(t))</math> ，由于T-W-Y-M 这条路径被 [[阻断]] （见 [[D-分离]])  <math> P(m|do(t))=P(m|t)</math>
+#'''估计T对M的因果效应'''<math> P(m|do(t))</math> ，由于T-W-Y-M 这条路径被 [[阻断]] （见 [[D-分离]])  <math> P(m|do(t))=P(m|t)</math>.
-#'''估计M对Y的因果效应'''<math> P(y|do(m))</math>, 由于 T 阻断了[[后门路径]] M<-T<-W ->Y, 根据[[后门调整]] 我们可以轻松得到<math> P(y|do(m))= \sum_t P(y|m,t) P(t)</math>
+#'''估计M对Y的因果效应'''<math> P(y|do(m))</math>, 由于 T 阻断了[[后门路径]] M<-T<-W ->Y, 根据[[后门调整]] 我们可以轻松得到<math> P(y|do(m))= \sum_t P(y|m,t) P(t)</math>.
-#'''结合以上两种因果效应'''<math> P(y|do(t))= \sum_m P(y|do(m)) P(m| do(t))</math>
+#'''结合以上两种因果效应'''<math> P(y|do(t))= \sum_m P(y|do(m)) P(m| do(t))</math>.
 ==前门准则==
@@ 第23行： / 第23行： @@
 若变量集M关于（T,Y）满足前门准则，并且我们有<math> P(t,m)>0</math>, T对Y的因果效应是可识别的，
-<math> P(y|do(t))= \sum_m P(m| t) \sum_t' P(y|m,t') P(t') </math>
+<math> P(y|do(t))= \sum_m P(m| t) \sum_{t'} P(y|m,t') P(t') </math>.
 ==例子==
 <references />