因果推断领域-因果效应评估（Estimate Causal Effects ）、反事实公平（ Counterfactual Fairness）、公平图表示（Fair Graph Learning）

最新推荐文章于 2024-06-14 09:55:36 发布
最新推荐文章于 2024-06-14 09:55:36 发布
阅读量118 收藏 1
点赞数
文章标签： 算法 数据结构
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_49162240/article/details/134218702
版权
Allana Du
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
因果科学网络资源整理
爱数据爱统计
10-06 1190
因果科学网络资源整理1.研究范围2.代表人物或团队2.1国际统计学领域2.2国际计算机领域2.3国内代表人物3.经典书籍4.开源工具包5.前沿算法5.1因果发现5.2因果推断6.公开数据集7.公开课8.应用案例 1.研究范围 2.代表人物或团队 下面列举我个人关注比较多的大牛们~ 2.1国际统计学领域 从左至右依次为[超链接为大牛主页]： Jerzy Neyman James M. Robins Donald B. Rubin Tyler J. VanderWeele Paul R. Rosenbaum
Counterfactual Fairness 2021.3.12
weixin_46299905的博客
05-06 1508
概述 本文是机器学习公平性领域的文章，介绍了反事实公平。反事实公平，是指同一个体或者群体的预测结果在现实世界中和反事实世界中应该相似。作者使用利用因果推断的工具制定建模公平性的框架。 本文的主要贡献是： 利用因果框架来模拟受保护属性和数据之间的关系，描述了因果推断技术如何设计公平算法，并论证了这对于正确地解决公平性的因果关系至关重要。 详述 一、背景 Let A denote the set of protected attributes of an individual,X denote the othe
Fairness in Machine Learning: A Survey 阅读笔记
Catherine_he_ye的博客
11-26 1250
FAIRNESS IN MACHINE LEARNING: A SURVEY（A PREPRINT） Simon Caton, Christian Haas Keywords fairness, accountability, transparency, machine learning
counterfactual-fairness:“反事实公平”代码（NIPS2017）
04-30
反事实公平 该存储库具有本文的R和Stan代码： Matt J.Kusner *，Joshua R.Loftus *，Chris Russell *，Ricardo Silva 神经信息处理系统（NIPS），2017年* =作者均分 跑步 安装： 下载：
【论文导读】（AAAI）Achieving Counterfactual Fairness for Causal Bandit
weixin_55703970的博客
09-08 536
在在线推荐中，顾客从一个基本分布以顺序和随机的方式到达，在线决策模型根据一定的策略为每个到达的个体推荐一个选定的商品。我们研究如何在每个步骤推荐一个物品，以最大化预期奖励，同时实现用户端的公平，即，共享相似档案的客户将获得类似的奖励，无论他们的敏感属性和被推荐的物品。我们首先提出了基于d-分离的UCB算法(D-UCB)，通过将因果推理纳入强盗模型，并采用软干预对手臂选择策略进行建模，以探索d-分离集在减少探索所需数量方面的利用，以实现较低的累计遗憾。
mtcnn人脸检测_「人脸检测系列」mtcnn 算法中的 偏移量分析
weixin_39912984的博客
12-05 271
最近小编在后台收到一名同学的留言，她问“在前向推理过程中，mtcnn中的偏移量是如何用到的，我想对于初学者而言，也仅能跑跑代码，看一下效果，但对于一些原理性的东西，理解的不是很透彻，今天，小编就带大家来看一下，mtcnn中的偏移量是如何使用的。首先看一下mtcnn中的偏移量。还要从训练数据的准备开始，这里我截取了github上start比较多的项目来看的(项目地址：https://github.c...
DoWhy - 微软出品的Python因果推断库-python
06-18
DoWhy is a Python library that makes it easy to estimate causal effects. DoWhy is based on a unified language for causal inference, combining causal graphical models and potential outcomes frameworks....
causalml：使用机器学习算法进行提升建模和因果推理
02-04
Causal ML是一个Python软件包，它提供了一套基于最近研究的，使用机器学习算法的提升模型和因果推理方法。 它提供了一个标准界面，允许用户从实验或观察数据中估计条件平均治疗效果（CATE）或个体治疗效果（ITE）。 ...
Python-DoWhy微软出品的Python因果推断库
08-11
DoWhy is a Python library that makes it easy to estimate causal effects. DoWhy is based on a unified language for causal inference, combining causal graphical models and potential outcomes frameworks.
gatsby-read-time-estimate
05-29
盖茨比阅读时间估计描述Gatsby 插件使用任何内容添加准确的阅读时间测量内容安装$ npm i read-time-estimate --save // gatsby-config.js... plugins: [ ... `gatsby-read-time-estimate` , ]解析算法它从文件中识别...
DV.rar_DV-Distance_WSN_distance estimaite_distance estimate_dv d
07-14
distance estimate in wsn
科学进展跟踪
机器人们的后勤仓库
04-19 223
2018-03-20，DeepMind的Hassabis最近在arXiv发表了一篇名为“Path-Specific Counterfactual Fairness”的论文，提出了一种算法使人工智能不在性别、人种和其他敏感因素上发生歧视。 2018-03-19，IROS2016文献摘要，题目是《Checkout My Map: Version Control for Fleetwide Visua...
google what-if Fairness metrics说明
未来战警
10-18 530
关于what-if 我就不做介绍了，一般 能看到 之篇文章的 同学，都应该已经了解到 它是什么了。 下面 就只对what-if 中 算法公平性这块 进行说明，什么是算法公平性，一句话概括：医生，大家一般会想起是 男性，而护士 一般都是女性，这就是 算法 不公平。 直接看 what-if demo https://pair-code.github.io/what-if-tool/imag...
反事实（counterfactual）简述
热门推荐
qq_37030400的博客
02-04 1万+
1.定义 反事实counterfactual是对已有结果进行假设，再推理，估计其中一项影响因素的发生概率。 2.用处 近年来在机器学习中广泛应用，指代与因果分析相关的广泛性技术。 3.典型实例 1.已知 Alice 在工作中没有得到晋升，已知她是一名女性，已知我们可以观察到的关于她的情况和表现的一切事情，那么，如果 Alice 是男性，她的晋升概率又会如何？ 我们问这个问题，目的是在检测性别对结果有多大的影响。但是我们在这里，需要明确的一点就是，这是一个单独的公平性概念，不是整个模型的公平性。也就是说，我们
牛客网刷题 | BC118 N个数之和
m0_64000959的博客
06-09 480
目前主要分为三个专栏，后续还会添加： 专栏如下： C语言刷题解析 C语言系列文章 我的成长经历感谢阅读！初来乍到，如有错误请指出，感谢！输入数字N，然后输入N个数，计算这N个数的和。第一行输入一个整数N(0≤N≤50)，第二行输入用空格分隔的N个整数。输出为一行，为第二行输入的“N个整数之和”的计算结果。使用数组的方式 先将用户输入的几个数字分别存起来定义一个变量将它数字的和加起来然后输出 代码 2 ： 输入n个数相加，应该想到循
【排序算法】总结篇
SWsunlight的博客
06-08 941
排序对比
力扣416 分割等和子集 Java版本
最新发布
m0_47066863的博客
06-14 346
然后就可以考虑用0-1背包的思路来解决这个问题，这里元素的值就是当前元素的价值和重量，背包的容量就是子集元素和的一半，最终需要确定这个背包里是否能够正好装进价值为子集和一半的时候。请你判断是否可以将这个数组分割成两个子集，使得两个子集的元素和相等。找出两个子集，让这两个子集的和相等可以转化思路为：找到一个子集，这个子集的和是子集中所有元素和的一半。解释：数组可以分割成 [1, 5, 5] 和 [11]。输入：nums = [1,5,11,5]输入：nums = [1,2,3,5]
LeetCode 算法：轮转数组c++
小金牛来了
06-09 666
LeetCode 算法：轮转数组c++
python因果推断
09-20
因果推断是指通过观察数据中的相关性来研究变量间的因果关系。在Python中，有几个库可以用于因果推断，其中最常用的是DoWhy和CausalImpact。 DoWhy是一个用于因果推断的Python库，它基于因果图（causal graph）的概念来推断因果关系。它提供了一个简单而灵活的框架，可用于估计因果效应、进行因果推断和处理反事实问题。DoWhy支持多种因果推断方法，包括倾向得分匹配、倾向得分加权、双重差分等。 另一个常用的因果推断工具是CausalImpact。CausalImpact是一个用于因果效应估计的Python库，专门用于分析时间序列数据。它基于贝叶斯方法来估计因果效应，并提供了一个易于使用的界面来评估一个事件对时间序列数据的影响。 以下是使用DoWhy进行因果推断的示例代码： ```python import dowhy from dowhy import CausalModel # 创建一个因果模型 model = CausalModel( data=df, # 数据集 treatment='treatment_variable', # 治疗变量 outcome='outcome_variable', # 结果变量 common_causes=['common_cause_1', 'common_cause_2'] # 其他共同原因 ) # 估计因果效应 identified_estimand = model.identify_effect(proceed_when_unidentifiable=True) causal_estimate = model.estimate_effect(identified_estimand, method_name="backdoor.propensity_score_matching") # 因果效应的可视化 model.visualize_effect(identified_estimand, causal_estimate) # 进行因果推断 estimate = model.refute_estimate(identified_estimand, causal_estimate, method_name="random_common_cause") ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值