因果推理（causal inference）初步调研

最新推荐文章于 2024-08-22 10:02:07 发布

Charles、洛

最新推荐文章于 2024-08-22 10:02:07 发布

阅读量5.4k

点赞数 8

分类专栏：论文研读

本文链接：https://blog.csdn.net/sinat_35177634/article/details/106097910

版权

本文是对因果推理（causal inference）的初步调研，涉及NIPS、ICML、ICLR等会议的相关论文。研究内容涵盖治疗效果估计、因果效应识别、统一的因果推理框架构建、以及用因果关系评估深度学习模型等方面。文中指出，尽管因果推理在视觉领域已相对成熟，但在其他领域如计算机视觉（CV）中，因果推理的应用和框架仍待发展和完善。

摘要由CSDN通过智能技术生成

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