忠实性假设 - 版本历史

LFZ：/* 编者推荐 */

2021-07-17T16:40:30Z

编者推荐

2021-06-18T09:29:19Z

书籍推荐

2021-06-18T09:27:07Z

2021-06-18T09:24:26Z

2021-06-18T09:15:00Z

2021-06-18T09:08:05Z

因果忠实性

2021-06-06T07:34:13Z

定义

2021-06-03T13:23:23Z

违反忠实性

2021-06-03T13:20:03Z

定义

2021-06-03T13:08:55Z

定义

←上一版本		2021年7月17日 (六) 16:40的版本
第111行：		第111行：


−	----本中文词条由[https://wiki.swarma.org/index.php~~%3Ftitle~~=%E7%94%A8%E6%88%B7:Sikongpop Sikongpop]用户参与编译，[https://wiki.swarma.org/index.php~~%3Ftitle~~=%E7%94%A8%E6%88%B7:LFZ LFZ]参与审校，[https://wiki.swarma.org/index.php~~%3Ftitle~~=%E7%94%A8%E6%88%B7:%E6%80%9D%E6%97%A0%E6%B6%AF%E5%92%BF%E5%91%80%E5%92%BF%E5%91%80 思无涯咿呀咿呀]编辑，欢迎在讨论页面留言。	+	----本中文词条由[https://wiki.swarma.org/index.php?title=%E7%94%A8%E6%88%B7:Sikongpop Sikongpop]用户参与编译，[https://wiki.swarma.org/index.php?title=%E7%94%A8%E6%88%B7:LFZ LFZ]参与审校，[https://wiki.swarma.org/index.php?title=%E7%94%A8%E6%88%B7:%E6%80%9D%E6%97%A0%E6%B6%AF%E5%92%BF%E5%91%80%E5%92%BF%E5%91%80 思无涯咿呀咿呀]编辑，欢迎在讨论页面留言。


	'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''		'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

@@ 第72行： / 第72行： @@
 ===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=%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]
+* 《Elements of Causal Inference Foundations and Learning Algorithms》是由Bernhard Schölkopf等人所撰写的关于因果科学和机器学习结合的一本书，非常适合想要入门因果机器学习的同学阅读。
-[[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。

@@ 第65行： / 第65行： @@
 ==参考文献==
 </noinclude>
-== 编者推荐 ==
+===书籍推荐===

@@ 第10行： / 第10行： @@
 考虑一个多变量联合概率分布<math>P_{X}</math>和一个有向无环图DAG <math>\mathcal{G}</math>.
-定义：联合概率分布 <math>P_{X}</math> 对于给定的 DAG  <math>\mathcal{G}</math> 满足因果忠实性，如果<ref name="Elements">Peters Jonas,Janzing Dominik,Schlkopf Bernhard (2017) [https://pattern.swarma.org/paper?id=5c93b918-c3ba-11eb-8fd5-0242ac170007 Elements of Causal Inference: Foundations and Learning Algorithms].</ref>：
+定义：联合概率分布 <math>P_{X}</math> 对于给定的 [[DAG]]  <math>\mathcal{G}</math> 满足因果忠实性，如果<ref name="Elements">Peters Jonas,Janzing Dominik,Schlkopf Bernhard (2017) [https://pattern.swarma.org/paper?id=5c93b918-c3ba-11eb-8fd5-0242ac170007 Elements of Causal Inference: Foundations and Learning Algorithms].</ref>：
 <math>A \perp\!\!\!\perp B \mid C \Rightarrow A \perp\!\!\!\perp_{\mathcal{G}} B \mid C</math>
@@ 第65行： / 第65行： @@
 ==参考文献==
 </noinclude>

←上一版本		2021年6月18日 (五) 09:15的版本
第1行：		第1行：
		+	在因果发现或贝叶斯网络结构学习中，我们会建立一些假设来保证结构的可识别性，忠实性假设就是其中之一。
		+
	==因果忠实性==		==因果忠实性==
−	~~在因果发现或贝叶斯网络结构学习中，我们会建立一些假设来保证结构的可识别性，忠实性假设就是其中之一。~~

	===定义===		===定义===

@@ 第1行： / 第1行： @@
 ==因果忠实性==
 ===定义===
@@ 第60行： / 第61行： @@
 在这种情况下，我们说总体分布不忠实于产生它的因果图。
 <noinclude>
 ==参考文献==
 </noinclude>

@@ 第18行： / 第18行： @@
 <math>A \perp\!\!\!\perp_{\mathcal{G}} B \mid C \Rightarrow A \perp\!\!\!\perp B \mid C</math>
-乍一看，忠实性并不是很直观。 我们现在给出一个马尔可夫分布的例子，但对于给定的 DAG <math>\mathcal{G_{1}}</math> 不忠实。 这是通过使两条路径相互抵消并创建图结构未暗示的独立性来实现的。
+粗略一看，忠实性并不是很直观。 我们现在给出一个马尔可夫分布的例子，但对于给定的 DAG <math>\mathcal{G_{1}}</math> 不忠实。 这是通过使两条路径相互抵消并创建图结构未暗示的独立性来实现的。
 ====违背忠实性的例子<ref name="Elements"/>====

@@ 第20行： / 第20行： @@
 乍一看，忠实性并不是很直观。 我们现在给出一个马尔可夫分布的例子，但对于给定的 DAG <math>\mathcal{G_{1}}</math> 不忠实。 这是通过使两条路径相互抵消并创建图结构未暗示的独立性来实现的。
-====违反忠实性<ref name="Elements"/>====
+====违背忠实性的例子<ref name="Elements"/>====
 考虑下图：

@@ 第6行： / 第6行： @@
 （总体：统计学概念，指包含所研究的全部个体（数据）的集合）
-考虑一个分布<math>P_{X}</math>和一个DAG <math>\mathcal{G}</math>.
+考虑一个多变量联合概率分布<math>P_{X}</math>和一个有向无环图DAG <math>\mathcal{G}</math>.
-定义：<math>P_{X}</math>对于DAG <math>\mathcal{G}</math>满足因果忠实性，如果<ref name="Elements">Peters Jonas,Janzing Dominik,Schlkopf Bernhard (2017) [https://pattern.swarma.org/paper?id=5c93b918-c3ba-11eb-8fd5-0242ac170007 Elements of Causal Inference: Foundations and Learning Algorithms].</ref>：
+定义：联合概率分布<math>P_{X}</math>对于DAG <math>\mathcal{G}</math>满足因果忠实性，如果<ref name="Elements">Peters Jonas,Janzing Dominik,Schlkopf Bernhard (2017) [https://pattern.swarma.org/paper?id=5c93b918-c3ba-11eb-8fd5-0242ac170007 Elements of Causal Inference: Foundations and Learning Algorithms].</ref>：
 <math>A \perp\!\!\!\perp B \mid C \Rightarrow A \perp\!\!\!\perp_{\mathcal{G}} B \mid C</math>
-对于所有不相交的顶点集A,B,C均成立。
+对于所有不相交的顶点（变量）集 A,B,C 均成立。
 这个定义暗示了一个与全局马尔可夫条件相反的结论：