预购商品
书目分类
特别推荐
第1 章 因果推斷入門 1.1 定義因果關係的兩種基本框架 1.1.1 結構因果模型 1.1.2 潛結果框架 1.2 因果辨識和因果效應估測 1.2.1 工具變數 1.2.2 中斷點回歸設計 1.2.3 前門準則 1.2.4 雙重差分模型 1.2.5 合成控制 1.2.6 因果中介效應分析 1.2.7 部分辨識、ATE 的上下界和敏感度分析 第2 章 用機器學習解決因果推斷問題 2.1 基於整合學習的因果推斷 2.2 基於神經網路的因果推斷 2.2.1 反事實回歸網路 2.2.2 因果效應變分自編碼器 2.2.3 因果中介效應分析變分自編碼器 2.2.4 針對線上評論多方面情感的多重因果效應估計 2.2.5 基於多模態代理變數的多方面情感效應估計 2.2.6 在網路資料中解決因果推斷問題 第3 章 因果表徵學習與泛化能力 3.1 資料增強 3.1.1 利用眾包技術的反事實資料增強 3.1.2 基於規則的反事實資料增強 3.1.3 基於模型的反事實資料增強 3.2 提高模型泛化能力的歸納偏置 3.2.1 使用不變預測的因果推理 3.2.2 獨立機制原則 3.2.3 因果學習和反因果學習 3.2.4 半同胞回歸 3.2.5 不變風險最小化 3.2.6 不變合理化 第4 章 可解釋性、公平性和因果機器學習 4.1 可解釋性 4.1.1 可解釋性的屬性 4.1.2 基於相關性的可解釋性模型 4.1.3 基於因果機器學習的可解釋性模型 4.2 公平性 4.2.1 不公平機器學習的典型實例 4.2.2 機器學習不公平的原因 4.2.3 基於相關關係的公平性定義 4.2.4 因果推斷對公平性研究的重要性 4.2.5 因果公平性定義 4.2.6 基於因果推斷的公平機器學習 4.3 因果推斷在可信和負責任人工智慧的其他應用 第5 章 特定領域的機器學習 5.1 推薦系統與因果機器學習 5.1.1 推薦系統簡介 5.1.2 用因果推斷修正推薦系統中的偏差 5.2 基於因果推斷的學習排序 5.2.1 學習排序簡介 5.2.2 用因果推斷修正學習排序中的偏差 第6 章 複習與展望 6.1 定義因果關係的兩種基本框架 6.2 展望 術語表 參考文獻
作者簡介 郭若城 英國倫敦字節跳動人工智慧實驗室機器學習研究員。研究重點為因果推斷和可置信的機器學習在推薦系統、搜索排序和圖資料中的應用。曾獲美國亞利桑那州立大學傑出電腦科學博士生獎項。 程璐 美國伊利諾大學芝加哥分校電腦系助理教授,於2022年獲美國亞利桑那州立大學(ASU)電腦科學專業博士學位,師從劉歡教授。研究方向包括社會負責任人工智慧,具體包括人工智慧的公平性、可解釋性、隱私保護、可泛化性、對社會的公益性、因果機器學習,以及社會計算。 劉昊 美國加州理工學院在讀電腦專業博士生,本科畢業於南京大學匡亞明學院,研究方向為可置信的機器學習、因果機器學習 劉歡 美國亞利桑那州立大學電腦科學與工程學院教授,ACM Fellow、AAAI Fellow、AAAS Fellow、IEEE Fellow。研究重點是開發人工智慧、資料採擷、機器學習和社會計算的計算方法,並設計高效的演算法有效地解決了從基礎研究、特徵選擇、社會媒體挖掘到現實世界應用的問題。
客服公告
热门活动
订阅电子报