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

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&#