Do演算 - 版本历史

LFZ：/* 应用案例1 */

2021-10-20T15:40:19Z

应用案例1

LFZ：/* 规则三 */

2021-10-15T03:19:23Z

规则三

Sikongpop：/* 规则一 */

2021-10-14T13:50:57Z

规则一

薄荷：/* 相关算法 */

2021-08-17T14:34:31Z

2021年8月17日 (二) 14:33 薄荷

2021-08-17T14:33:20Z

显示更改

2021年8月15日 (日) 15:15 思无涯咿呀咿呀

2021-08-15T15:15:47Z

2021年8月14日 (六) 05:37 思无涯咿呀咿呀

2021-08-14T05:37:06Z

2021年8月9日 (一) 16:41 LFZ

2021-08-09T16:41:28Z

LFZ：补充概要内容

2021-08-09T16:40:39Z

补充概要内容

LFZ：/* IDC算法 */

2021-08-09T12:51:07Z

IDC算法

@@ 第57行： / 第57行： @@
 [[File:Do-Calculus Example.png|thumb|300px|Do演算的案例1]]
 在右侧的因果图中，“吸烟基因”是未观测变量，其余变量都是可观测的。“吸烟”变量使用<math>s</math>来表示，“焦油沉积”变量使用<math>t</math>来表示，“癌症”变量使用<math>c</math>来表示。我们要估计干预“吸烟”变量后对“癌症”变量的因果效应，即计算<math>P(c \mid do(s))</math>。我们将使用Do演算将这个表达式转换为不包含Do算子的表达式。
 <math>
 \begin{alignat}{3}
@@ 第68行： / 第69行： @@
 \end{alignat}
 </math>
 === 应用案例2 ===

@@ 第38行： / 第38行： @@
 '''增添或删除干预'''：
-对于有向图<math>G</math>，若满足<math>(Y \perp\!\!\!\perp Z \mid X, W)_{G_{\overline{X}\underline{Z(W)}}}</math>（即在子图<math>G_{\overline{X}\underline{Z(W)}}</math>中，给定结点集<math>X</math>和<math>W</math>时，结点集<math>Y</math>和<math>Z</math>满足d-分离条件），则
+对于有向图<math>G</math>，若满足<math>(Y \perp\!\!\!\perp Z \mid X, W)_{G_{\overline{X}\overline{Z(W)}}}</math>（即在子图<math>G_{\overline{X}\overline{Z(W)}}</math>中，给定结点集<math>X</math>和<math>W</math>时，结点集<math>Y</math>和<math>Z</math>满足d-分离条件），则
 :<math> P(Y|do(X),do(Z),W)=P(Y|do(X),W)</math>
 其中符号<math> Z(W) </math> 表示 <math> Z / An(W)_{ G_{ \overline{X} } }</math> ，而符号<math> An(W)_{ G_{ \overline{X} } }</math> 表示在子图<math>G_{ \overline{X}} </math>中由结点集<math>W</math>及其祖先节点构成的点集。
 == Do演算的完备性 ==

←上一版本		2021年10月14日 (四) 13:50的版本
第25行：		第25行：

	对于有向图<math>G</math>，若满足<math>(Y \perp\!\!\!\perp Z \mid X, W)_{G_{\overline{X}}}</math>（即在子图<math>G_{\overline{X}}</math>中，给定结点集<math>X</math>和<math>W</math>时，结点集<math>Y</math>和<math>Z</math>满足d-分离条件），则		对于有向图<math>G</math>，若满足<math>(Y \perp\!\!\!\perp Z \mid X, W)_{G_{\overline{X}}}</math>（即在子图<math>G_{\overline{X}}</math>中，给定结点集<math>X</math>和<math>W</math>时，结点集<math>Y</math>和<math>Z</math>满足d-分离条件），则
−	:<math> P(Y\|do(X),Z,W)=P(Y\|do(X),Z)</math>	+	:<math> P(Y\|do(X),Z,W)=P(Y\|do(X),W)</math>

@@ 第93行： / 第93行： @@
 Identify算法由Yimin Huang和Marco Valtorta于2006年提出<ref>{{cite journal |last1=Huang |first1=Yimin |last2=Valtorta |first2=Marco |date=2006 |title=Identifiability in Causal Bayesian Networks: A Sound and Complete Algorithm |journal=Proceedings of the 21st National Conference on Artificial Intelligence |volume=2 |pages=1149–1154}}</ref>。这个算法相较于上述Tian(2002)的算法消除了的对因果图的半马尔科夫性的限制，且也可以处理多变量干预的问题。
-[[File:Algorithm-Identify.png|Identify算法]]
+[[File:Algorithm-Identify.png|Identify算法|300px]]
 === ID算法 ===
 ID算法由Ilya Shpitser和Judea Pearl与2006年提出<ref>{{cite journal |last1=Shpitser |first1=Ilya |last2=Pearl |first2=Judea |date=2006 |title=Identification of Joint Interventional Distributions in Recursive Semi-Markovian Causal Models |journal=Proceedings of the 21st National Conference on Artificial Intelligence |volume=2 |pages=1219–1226}}</ref>，该算法的能力与上述Tian(2002)的算法等价，但更易于编程实现。
-[[File:Algorithm-ID.png|ID算法]]
+[[File:Algorithm-ID.png|ID算法|300px]]
@@ 第104行： / 第104行： @@
 IDC算法由Ilya Shpitser和Judea Pearl与2006年提出<ref>{{cite journal |last1=Shpitser |first1=Ilya |last2=Pearl |first2=Judea |date=2006 |title=Identification of Conditional Interventional Distributions |journal=Proceedings of the Twenty-Second Conference on Uncertainty in Artificial Intelligence |pages=437–444}}</ref>，该算法是基于ID算法拓展的，可以处理联合干预条件分布的因果效应求解问题。
-[[File:Algorithm-IDC.png|IDC算法]]
+[[File:Algorithm-IDC.png|IDC算法|300px]]
 == 代码实现 ==

←上一版本		2021年8月15日 (日) 15:15的版本
第102行：		第102行：

	== 参考文献 ==		== 参考文献 ==
−	<references />~~本词条由中科院计算所的李奉治博士贡献。~~	+	<references />
		+
		+
		+	== 编辑推荐 ==
		+
		+
		+	===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/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。
		+
		+
		+
		+
		+
		+
		+
		+	本词条由中科院计算所的李奉治博士生贡献。

←上一版本		2021年8月14日 (六) 05:37的版本
第102行：		第102行：

	== 参考文献 ==		== 参考文献 ==
−	<references />	+	<references />本词条由中科院计算所的李奉治博士贡献。

←上一版本		2021年8月9日 (一) 16:41的版本
第1行：		第1行：
−	'''<font color="#ff8000">Do演算(Do-Calculus)</font>'''于1995年由Judea ~~Pearl提出，是由三条推演规则构成的推演系统，这三条规则可以将包含~~'''<font color="#ff8000">干预</font>'''变量和观测变量的概率分布表达式进行转化。Do演算属于因果科学中[[结构因果模型]]的基础分析工具，可用于非参数模型中因果效应的识别，并能够在[[中介分析]](Mediation Analysis)、知识迁移(Transportability)、元综合(Metasynthesis)等方向上发挥重要作用。	+	'''<font color="#ff8000">Do演算(Do-Calculus)</font>'''于1995年由Judea Pearl提出<ref name="pearl:95">{{citation \| last = Pearl \| first = Judea \| doi = 10.1093/biomet/82.4.669 \| issue = 4 \| journal = Biometrika \| pages = 669–710 \| title = Causal diagrams for empirical research \| volume = 82 \| year = 1995\| url = https://escholarship.org/uc/item/6gv9n38c }}.</ref>，是由三条推演规则构成的推演系统，这三条规则可以将包含'''<font color="#ff8000">干预</font>'''变量和观测变量的概率分布表达式进行转化。Do演算属于因果科学中[[结构因果模型]]的基础分析工具，可用于非参数模型中因果效应的识别，并能够在[[中介分析]](Mediation Analysis)、知识迁移(Transportability)、元综合(Metasynthesis)等方向上发挥重要作用。

	== 为何需要Do演算 ==		== 为何需要Do演算 ==

←上一版本		2021年8月9日 (一) 16:40的版本
第1行：		第1行：
−	'''<font color="#ff8000">Do演算(Do-Calculus)</font>'''~~是由三条推演规则构成的推演系统，这三条规则可以将包含~~'''<font color="#ff8000">干预</font>'''~~变量和观测变量的概率分布表达式进行转化。~~	+	'''<font color="#ff8000">Do演算(Do-Calculus)</font>'''于1995年由Judea Pearl提出，是由三条推演规则构成的推演系统，这三条规则可以将包含'''<font color="#ff8000">干预</font>'''变量和观测变量的概率分布表达式进行转化。Do演算属于因果科学中[[结构因果模型]]的基础分析工具，可用于非参数模型中因果效应的识别，并能够在[[中介分析]](Mediation Analysis)、知识迁移(Transportability)、元综合(Metasynthesis)等方向上发挥重要作用。

	== 为何需要Do演算 ==		== 为何需要Do演算 ==