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 2024-10-19 19:58:05 发布
最新推荐文章于 2024-10-19 19:58:05 发布
阅读量320 收藏 2
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
本文讨论了RuochengGuo在公开出版物中的贡献，聚焦于FairGraphLearning项目，以及因果推理中的backdoor、frontdoor和do-calculus方法。作者介绍了这些概念在处理公平性问题时的应用和理论探讨。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最低0.47元/天 解锁文章
Allana Du
关注
因果科学网络资源整理
爱数据爱统计
10-06 1319
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
Conceptual Challenges for Interpretable Machine Learning
weixin_42786150的博客
03-01 1553
Conceptual Challenges for Interpretable Machine Learning David S. Watson1 'Department of Statistical Science, University College London, London, UK Email for correspondence: david.watson@ucl.ac.uk §0 Abstract As machine learning has gradually entere..
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：
探索公平的图学习：Awesome Fair Graph Learning 项目深度解析
gitblog_00050的博客
06-25 448
探索公平的图学习：Awesome Fair Graph Learning 项目深度解析 Awesome-Fair-Graph-LearningPaper List for Fair Graph Learning (FairGL).项目地址:https://gitcode.com/gh_mirrors/aw/Awesome-Fair-Graph-Learning 在这个数据驱动的时代，图神经网络（...
浅谈推荐系统中的公平性--fairness in recommender system
beilizhang的博客
05-18 3691
推荐系统中的公平性 何谓公平 公平，这个词大家经常听到，特别是在小朋友争吵的过程中，“这不公平！”，“明明是他不对！”… 日常生活中也存在各种不公平，例如找工作时，有时不看能力只看学历，有的单位也不愿招女员工等等。 而公平性之于推荐系统又是什么。在一部分人正焦头烂额地为了推荐性能那百分之零点零几的准确率通宵达旦时，另一部分人决定换个方向，类比已知的存在于机器学习算法中性别偏见、种族歧视等不公平问题，可以探索推荐系统中同样存在这样的不公平问题。这仍是一个比较新的话题，还有很多的坑需要填。 如同没有绝对的正义，
基于因果逻辑库的定性事件结果及结果方向性预测
lhy2014的博客
03-29 843
EventPredictBasedOnEG future event predict demo based on causal event graph that covers the full industries that can predict the benefits or bad effects in accordance with the event given by the user,...
活动、节假日、促销等营销方式的因果效应评估——方法模型篇（二）
素质云笔记
05-01 3563
笔者近两年都在做智能营销方面的探索，不过最近想稍微切换自己的研究赛道，所以最近想把智能营销方面细枝末节的一些思考发出来。 关于活动、节假日、促销等营销方式的因果效应评估前篇是《活动、节假日、促销等营销方式的因果效应评估——特征工程篇（一）》是把给入模型时特征加工的方式列举一下，本篇是想简单总结如何评价一个活动营销方式的好坏；当然方法本身不胜枚举，只能在有限视野里面进行归纳。 1 回归的方法 活动评价，与笔者之前思考的一个点也是有些共同的《数据科学之 如何找到指标的最 佳分裂点的几个想法》最佳分裂点其实就是
活动、节假日、促销等营销方式的因果效应评估——特征工程篇（一）
素质云笔记
04-28 2853
本系列旨在挖掘活动、节假日、促销、优惠券、积分等营销权益因果效应评估，目前规划两个篇幅： 第一篇：会收集活动、节假日、促销等营销权益在做一些建模项目中，可以构造成为的特征工程方式 第二篇：使用各类模型、方法总结这些营销方式的几种效应评估方法 更多是文献整理，主要集中在预测类模型 - 营销方式入模的特征工程 文章目录1 活动类特征工程1.1 [竞赛] Corporación Favorita Grocery Sales Forecasting1.22 优惠券类2.1 天池新人实战赛o2o优惠券使用预测2
详解“因果效应估计”
热门推荐
AI_盲的博客
10-11 1万+
按照估计范围划分，因果效应估计包括对平均干预效应（Average Treatment Effect，ATE）、条件平均干预效应（Conditional Average Treatment Effect，CATE）以及个体干预效应（Individual Treatment Effect，ITE）的估计。
Counterfactual Fairness 2021.3.12
weixin_46299905的博客
05-06 1796
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 1664
FAIRNESS IN MACHINE LEARNING: A SURVEY（A PREPRINT） Simon Caton, Christian Haas Keywords fairness, accountability, transparency, machine learning
人脸识别一
AI+机器人
02-28 7329
awesome-Face_Recognition this collecting the papers (main from arxiv.org) about bellow themes: Face Detection && Face Segmentation; Face Alignment; Face Recognition && Face Identification && Face Verification && Face Repre
论文阅读笔记1——图反事实公平性（更新ing
最新发布
Vee_Lee的博客
10-19 1790
因果推断下的公平性研究方法有很多，本笔记的论文阅读都是基于图的反事实公平性相关的研究论文。
【论文导读】（AAAI）Achieving Counterfactual Fairness for Causal Bandit
weixin_55703970的博客
09-08 711
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。
因果推断-解决推荐系统公平性的新思路
猎户座的博客
10-09 2199
论文引入 近年来推荐系统公平性成为新的热点，在所有解决公平性问题的方法中，因果推断显得格外靓眼。我们以论文《Recommendations as treatments: Debiasing learning and evaluation》[1]做为引入，来看看因果推断是怎么应用在推荐系统公平性研究中的。 改论文的思想如下：从因果推断的角度看待推荐问题，我们可以认为在推荐系统中给用户曝光某个商品...
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
12-05 345
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...
google what-if Fairness metrics说明
未来战警
10-18 605
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...
科学进展跟踪
机器人们的后勤仓库
04-19 273
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...
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") ```
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