欧美性猛交XXXX免费看蜜桃,成人网18免费韩国,亚洲国产成人精品区综合,欧美日韩一区二区三区高清不卡,亚洲综合一区二区精品久久

本文從以下六個(gè)方面來(lái)闡述

1. 基本概念
2. 難題和挑戰
3. 經(jīng)典因果推斷模型
4. 子空間因果推斷模型
5. 深度表征學(xué)習因果推斷模型
6. 參考文獻
   

一、基本概念

因果關(guān)系Causality指的是Cause和Effect，在很多領(lǐng)域被廣泛應用，例如數據分析, 哲學(xué)、心理學(xué)、經(jīng)濟學(xué)、教育和醫學(xué)等。

Causation和Correlation的區別，因果關(guān)系的存在，必然會(huì )伴隨著(zhù)相關(guān)性。但是，從因到果還需時(shí)間上的先后順序、以及合理的機制等。因此，相關(guān)性只是因果關(guān)系的必要不充分條件。相關(guān)性并不一定代表著(zhù)有因果關(guān)系。

因果推斷和因果發(fā)現，因果發(fā)現是是通過(guò)計算方法從大量數據中識別因果關(guān)系，因果推理是根據結果發(fā)生的條件對因果關(guān)系作出結論的過(guò)程。

Experimental Study和Observational Study，實(shí)驗學(xué)習中樣本是隨機的，treatment group和control group都是隨機分配的，但是Observational Study中Treatment的分配一定是有策略的，非隨機的。

因果推斷有兩個(gè)經(jīng)典框架，一個(gè)是基于Judea Pearl的結構因果模型Structure Causal Model，一個(gè)是基于Rubin提出的Potential Outcome Framework。不過(guò)二者在底層原理上也是相同的。下面重點(diǎn)介紹一些Rubin的POF框架中的相關(guān)概念。

1. ATE，Average Treatment Effect，人群級別的評估指標，計算方式如下

2. ITE，Individual Treatment Effect，個(gè)體級別的評估指標，計算方式如下

3. CATE，Conditional Average Treatment Effect，Subgroup級別的評估指標，計算方式如下

重要概念：Confounders

Confounder是指實(shí)驗中的一種變量，同時(shí)影響了Treatment，又影響了outcome，當實(shí)驗中農存在這種變量時(shí)，便可能出現辛普森悖論。

上述表格中Age便是一個(gè)Confounder，age同時(shí)影響了治療方式Treatment，又影響治療效果，所以分組數據Young和Older，結論都是Treatment B的治療效果更好，但是總體數據卻得出Treatment A的治療效果更好，這就是辛普森悖論。

重要概念：Selection Bias

Selection Bias是指觀(guān)測組的數據分布不具有代表性，直白點(diǎn)來(lái)說(shuō)就是X和Treatment之間不是相互獨立的，會(huì )存在偏差。Confounder變量的存在會(huì )影響Unit對于Treatment的選擇，進(jìn)而導致了selection bias，進(jìn)而selection bias又會(huì )使得counterfactual outcome的預估變得更加困難。

結論：Confounder好Selection bias是Causal inference中的兩個(gè)重大難題，很多方法都是在著(zhù)力解決這兩大問(wèn)題。

1. Re-weighting methods，核心思想：為了解決數據中存在的selection bias，通過(guò)給觀(guān)察數據集中的每個(gè)樣本分配適當的權重，建立了一個(gè)偽總體，在這個(gè)偽總體上實(shí)驗組和對照組的分布是相似的，權重的計算通過(guò)propensity-score methods來(lái)求解。

2. Mathching methods，核心思想：通過(guò)距離函數計算，將相似的數據分別分到實(shí)驗組和對照組，該方法在估計反事實(shí)的同時(shí)，減少了由混雜因素帶來(lái)的估計偏差。使用較多的matching方式時(shí)propensity score matching。

3. Tree-based methods，核心思想：是一種基于決策樹(shù)的預測模型，如分類(lèi)樹(shù)和回歸樹(shù)。在CART中，一棵樹(shù)被建立直到達到分裂容忍。這里只有一棵樹(shù)，可以根據需要進(jìn)行生長(cháng)和修剪

4. Stratification methods，核心思想：也是為了解決數據中存在的selection bias，通過(guò)將整個(gè)組分成子組來(lái)調整選擇偏倚，在每個(gè)子組中，處理組和對照組在某些測量下是相似的

5. Multitask Learning methods，實(shí)驗組和對照組使用不同的模型，共享一些共同的特點(diǎn)

6. Meta-Learning methods，例如：S-learner，T-Learner，X-learner，R-learner等，是一個(gè)系列的解決方案。

核心思想：在original data space中執行matching是簡(jiǎn)單方便的，但是缺點(diǎn)是容易被不影響outcome的變量所誤導，因此，可以映射到subspace進(jìn)行matching來(lái)解決該問(wèn)題。存在的方案有

這里給大家分享幾篇經(jīng)典論文

1. 2016 Large sample properties of matching estimators for average treatment effects.
2. AAAI 2017 Informative Subspace Learning for Counterfactual Inference
3. IJCAI 2016 Matching via Dimensionality Reduction for Estimation of Treatment Effects in Digital Marketing Campaigns
4. NIPS 2017 Matching on balanced nonlinear representations for treatment effects estimation
   
   

該方法將因果推斷和深度學(xué)習相結合，分為以下三類(lèi)

這里給大家推薦幾篇經(jīng)典論文

1. ICDM 2019 ACE- Adaptively Similarity-Preserved Representation Learning for Individual Treatment Effect Estimation.
2. ICLR 2018 GANITE Estimation of Individualized Treatment Effects using Generative Adversarial Nets
3. ICML 2016 Learning Representations for Counterfactual Inference
4. IJCAI 2019 On the estimation of treatment effect with text covariates.
5. JMLR 2017 Estimating individual treatment effect- generalization bounds and algorithms
6. NIPS 2017 Causal Effect Inference with Deep Latent-Variable Models
7. NIPS 2018  Representation learning for treatment effect estimation from observational data

1. A Survey on Causal Inference
2. Causal Inference in Machine Learning
3. Machine Learning for Causal Inference
4. From how to why: An overview of causal inference in machine learning