587
个编辑
更改
→主要文章及著作
== 主要文章及著作 ==
== 主要文章及著作 ==
Bareinboim的研究主要关注因果推断和其在健康与社会科学、人工智能、机器学习方向的应用。他的研究特别关注如何在异构和有偏的数据中得出稳健、可泛化的因果和反事实结论，这其中包括了混淆偏差、选择偏差和可迁移性问题。他的工作为数据融合问题提出了第一个通用解决方案，为组合在不同实验条件下生成并受到各种偏差困扰的数据集提供了实用的方法。最近，Bareinboim 一直在探索因果推理与决策（包括强化学习）和可解释性（包括公平性分析）的交叉点。 Bareinboim 获得了博士学位。来自加州大学洛杉矶分校，在那里他得到了 Judea Pearl 的建议。
Bareinboim的研究主要关注因果推断和其在健康与社会科学、人工智能、机器学习方向的应用。他的研究特别关注如何在异构和有偏的数据中得出稳健、可泛化的因果和反事实结论，这其中包括了混淆偏差、选择偏差和可迁移性问题。他的工作为数据融合问题提出了第一个通用解决方案，为组合在不同实验条件下生成并受到各种偏差困扰的数据集提供了实用的方法。最近，Bareinboim 一直在探索因果推理与决策（包括强化学习）和可解释性（包括公平性分析）的交叉点。 Bareinboim 获得了博士学位。来自加州大学洛杉矶分校，在那里他得到了 Judea Pearl 的建议。
=== 2022 ===
'''Neural Causal Models for Counterfactual Identification and Estimation Columbia CausalAI Laboratory, Technical Report'''
Kevin Xia, Yushu Pan, Elias Bareinboim (2022) May/2022.
'''Causal Identification under Markov equivalence: Calculus, Algorithm, and Completeness Columbia CausalAI Laboratory, Technical Report'''
Amin Jaber, Adele Ribeiro, Jiji Zhang, Elias Bareinboim (2022) May/2022.
'''Causal Imitation Learning via Inverse Reinforcement Learning Columbia CausalAI Laboratory, Technical Report'''
Darren Kangrui, Junzhe Zhang, Sharon Di, Elias Bareinboim (2022) May/2022.
'''Online Reinforcement Learning for Mixed Policy Scopes Columbia CausalAI Laboratory, Technical Report'''
Junzhe Zhang, Elias Bareinboim (2022) May/2022.
'''Scores for Learning Discrete Causal Graphs with Unobserved Confounders Columbia CausalAI Laboratory, Technical Report'''
Alexis Bellot, Junzhe Zhang, Elias Bareinboim (2022) May/2022.
'''Counterfactual Transportability: A Formal Approach Columbia CausalAI Laboratory, Technical Report'''
Juan Correa, Sanghack Lee, Elias Bareinboim (2022) May/2022. Proceedings of the 38th International Conference on Machine Learning (ICML), in press. (Acceptance rate = 21%)
'''On Measuring Causal Contributions via do-Interventions Columbia CausalAI Laboratory, Technical Report'''
Yonghan Jung, Shiva Kasiviswanathan, Jin Tian, Dominik Janzing, Elias Bareinboim (2022) May/2022. Proceedings of the 38th International Conference on Machine Learning (ICML), in press. (Acceptance rate = 21%)
=== 2021 ===
=== 2021 ===