m0_62064655的博客

如果存在从A到B的路径，即使路径中包含其他节点，A也被称为B的“祖先”，B是A的“后代”。A和B是高度相关，但是A和B并不存在因果关系，A和B都是C引发，在类似这种情况下，C为A和B的共同原因。其关注的重点是变量之间的因果关系，即一个变量是如何影响另一个变量的。DAG与联合概率密度之间的连接强度比较弱（即，联合概率密度无法体现出DAG中的因果关系），但是通过干预，可以体现出概率中的因果关系。其本质为：要确定效果E和潜在原因C之间的因果关系，必须至少比较两个概率（一个与C的存在有关，一个与C的缺席有关）。

为了实现在推荐系统中GCN模型高效的重新训练，其关键在于从邻域聚合中分离旧图，同时保留长期偏好信号并刷新非活动节点。该文章使用因果增量图卷积方法，即，在LightGCN模型中增加图增量卷积（IGC）和碰撞效应蒸馏（CED）。证明了IGC和CED的有效性和合理性。未来可以在IGC中应用不同的模型参数更新技术，以及在更多图学习应用中测试IGC和CED。

讨论了因果模型和统计模型等不同层次的模型，这些模型都建立在一系列涉及建模和数据收集的假设上面。说明了因果推断的理论基础知识，并强调了独立机制假设及相关概念（如不变性）为因果学习提供了有力的偏差，以及如何从观察数据和干预数据中学习因果关系。讨论了如何将因果框架应用于机器学习领域，如半监督学习、领域泛化以及对抗鲁棒性。未来研究领域将包括：①学习大规模的非线性因果关系：1、在什么条件下可以学习非线性因果关系；2、哪些训练框架最有利于利用机器学习方法进行扩展；