因果推理(causal inference)初步调研
NIPS相关论文
NIPS有相关的causal inference板块,但总体来看,相比于较为成型的visual板块显得更加五花八门,少有一个统一的框架来解决关于因果推理的任务,甚至对任务的界定也比较模糊,大家各自为战。
比如treatment effects estimation任务,就包括individual treatment effects estimation和Heterogeneous Treatment Effects estimation。该任务简单来讲就是给定有biases的data,并且没有反事实的data,来回答反事实的问题。
以及causal effects identification任务:根据有关数据生成过程的定性知识(编码为因果图)和已知的数据分布来判断干预后的分布是否是可计算的。
以及致力于构建统一的因果推理或因果发现框架,实现在不同域上均能发现推理出因果关系。这种框架目前用元学习的方法居多。
或者用因果关系来解决其他的问题。例如:用因果关系来评估深度表示模型生成的表示(representation)的效果;从因果的角度来看神经网络的发展;提出方法来评估因果模型的性能。
- Representation Learning for Treatment Effect Estimation from Observational Data 2018
现有的individual treatment effects estimation(ITE)方法致力于平衡control和treated group之间的分布。提出了SITE,在平衡