【牛津大学博士论文】观察性因果机器学习中的结构性和统计不确定性

最新推荐文章于 2024-10-20 22:32:03 发布

数据派THU

最新推荐文章于 2024-10-20 22:32:03 发布

阅读量88

点赞数

文章标签：机器学习人工智能

原文链接：https://mp.weixin.qq.com/s?__biz=MzI1MjQ2OTQ3Ng==&mid=2247645733&idx=3&sn=6cf7ae530245e8b38e7e1fbe0cfed17d&chksm=e88570dc8e8f2735400ccbaa387149939948bb6895044790658abd8c49d3fc0936b4f55ce587&scene=126&sessionid=0

版权

来源：专知
本文约1000字，建议阅读5分钟
在本论文中，我们开发了能够有效应对统计和结构不确定性的可扩展因果ML方法。

因果机器学习（Causal ML） 处理各种任务，包括因果效应推断、因果推理和因果结构发现。本论文探讨了适用于大数据集和复杂高维输入/输出模式（如图像、文本、时间序列和视频）的因果ML方法中的不确定性。可扩展性对于高效处理大量信息和预测复杂关系至关重要。随着模型灵活性的提升，传达未知信息变得愈加重要。我们考察了两种主要的不确定性类型：统计不确定性和结构不确定性。统计不确定性在拟合机器学习模型到有限数据集时产生，解决这一不确定性有助于预测一系列合理的因果效应，随着训练样本的增加而缩小，从而促进更明智的决策并指示需要进一步理解的领域。结构不确定性则源于对因果结构的模糊认识，通常需要对数据生成过程或与世界的互动做出进一步假设。在本论文中，我们开发了能够有效应对统计和结构不确定性的可扩展因果ML方法。我们展示了在因果ML算法设计和应用中考虑可扩展性和不确定性的重要性，提升决策能力和知识获取。我们的贡献旨在推动因果机器学习领域的发展，为未来研究奠定基础。