点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
本期AI TIME PhD专场,我们有幸邀请到了来自亚利桑那州立大学的博士生郭若城,为我们带来他的精彩分享——利用网络信息减少因果推断中的confounding bias—结合两种思路的新方法IGNITE: A Minimax Game Toward Learning Individual Treatment Effects from Networked Observational Data。
郭若城:亚利桑那州立大学博士生,研究方向为因果推断,数据挖掘,社交网络。2017年至今师从Prof. Huan Liu。博士期间在KDD,WSDM,IJCAI,CIKM,SDM等会议发表论文20余篇,在ACM Computing Surveys发表关于因果推断与机器学习结合的综述 A Survey of Learning Causality with Data: Problems and Methods。曾作为实习生在Google X和Microsoft Research进行因果机器学习方向的研究。
一、Intro
1、什么是因果causality?
基于随机变量的定义来说,假如我们有两个随机变量T和Y,当且仅当不通过intervention改变其他变量值的时候对T的值进行改变一定会引起Y值改变,我们说T是Y的因,Y是T的果。
2、为什么关心因果效应causal effects?
因为因果效应对于决策至关重要,是决策的依据。比如,IT公司的A / B tests,药物的临床试验。
3、为什么我们要在有网络结构的观测型数据networked observational data上研究这个问题呢?
因为在真实世界中,网络结构数据非常常见,比如:社交网络、银行体系中的支行网络。这些数据非常有用&#