|
|
|
本書是一本理論扎實，同時聯繫實際應用的圖書。全書系統地介紹了因果推斷的基本知識、基於機器學習的因果推斷方法和基於因果推斷的機器學習方法及其在一些重要領域的應用。
全書共分6章。章從潛結果框架和結構因果模型出發，介紹因果推斷的基本概念和方法。第2章介紹近年統計和機器學習文獻中出現的一些重要的基於機器學習的因果推斷方法。第3章介紹能夠提高機器學習模型的泛化能力的因果表徵學習。第4章介紹因果機器學習如何提高機器學習模型的可解釋性與公平性。第5章介紹因果機器學習在 系統和學習排序中的應用。第6章是對全書的一個總結和對未來的展望。
本書對結合因果推斷和機器學習的理論與實踐進行了介紹。通過閱讀本書，讀者不僅可以掌握因果機器學習的基礎理論，還可對本書中提到的論文代碼進行鑽研，從而在實踐中加深對因果機器學習的理解。
郭若城，倫敦位元組跳動人工智慧實驗室機器學習研究員。研究重點為因果推斷和可置信的機器學習在系統、搜索排序和圖資料中的應用。曾獲美國亞利桑那州立大學傑出電腦科學博士生獎項。
程璐，美國伊利諾芝加哥分校電腦系助理教授，于2022年獲美國亞利桑那州立大學（ASU）電腦科學專業博士學位，師從劉歡教授。研究方向包括社會負責任人工智慧，具體為人工智慧的公平性、可解釋性、隱私保護、可泛化性、對社會的公益性、因果機器學習，以及社會計算。
劉昊，美國加州理工學院在讀電腦專業博士生，本科畢業于南京大學匡亞明學院，研究方向為可置信的機器學習、因果機器學習。
劉歡，美國亞利桑那州立大學電腦科學與工程學院教授，ACM Fellow、AAAI Fellow、AAAS Fellow、IEEE Fellow。研究重點是開發人工智慧、資料採擷、機器學習和社會計算的計算方法，並設計高效的演算法有效地解決了從基礎研究、特徵選擇、社會媒體挖掘到現實世界應用的問題。
第1章 因果推斷入門 1
1.1 定義因果關係的兩種基本框架 1
1.1.1 結構因果模型 3
1.1.2 潛結果框架 17
1.2 因果識別和因果效應估測 21
1.2.1 工具變數 22
1.2.2 中斷點回歸設計 27
1.2.3 前門準則 30
1.2.4 雙重差分模型 32
1.2.5 合成控制 34
1.2.6 因果仲介效應分析 39
1.2.7 部分識別、ATE的上下界和敏感度分析 44
第2章 用機器學習解決因果推斷問題 52
2.1 基於集成學習的因果推斷 53
2.2 基於神經網路的因果推斷 57
2.2.1 反事實回歸網路 57
2.2.2 因果效應變分自編碼器 62
2.2.3 因果仲介效應分析變分自編碼器 69
2.2.4 針對線上評論多方面情感的多重因果效應估計 71
2.2.5 基於多模態代理變數的多方面情感效應估計 74
2.2.6 在網路資料中解決因果推斷問題 77
第3章 因果表徵學習與泛化能力 82
3.1 資料增強 84
3.1.1 利用眾包技術的反事實資料增強 84
3.1.2 基於規則的反事實資料增強 89
3.1.3 基於模型的反事實資料增強 91
3.2 提高模型泛化能力的歸納偏置 96
3.2.1 使用不變預測的因果推理 96
3.2.2 立機制原則 101
3.2.3 因果學習和反因果學習 102
3.2.4 半同胞回歸 103
3.2.5 不變風險小化 105
3.2.6 不變合理化 113
第4章 可解釋性、公平性和因果機器學習 120
4.1 可解釋性 121
4.1.1 可解釋性的屬性 122
4.1.2 基於相關性的可解釋性模型 124
4.1.3 基於因果機器學習的可解釋性模型 127
4.2 公平性 144
4.2.1 不公平機器學習的典型實例 145
4.2.2 機器學習不公平的原因 147
4.2.3 基於相關關係的公平性定義 149
4.2.4 因果推斷對公平性研究的重要性 153
4.2.5 因果公平性定義 156
4.2.6 基於因果推斷的公平機器學習 162
4.3 因果推斷在可信和負責任人工智慧的其他應用 166
第5章 特定領域的機器學習 169
5.1 系統與因果機器學習 170
5.1.1 系統簡介 170
5.1.2 用因果推斷修正 系統中的偏差 180
5.2 基於因果推斷的學習排序 196
5.2.1 學習排序簡介 197
5.2.2 用因果推斷修正學習排序中的偏差 201
第6章 總結與展望 212
6.1 總結 212
6.2 展望 218
術語表 220
參考文獻 232
