可解釋的機器學習 - 用因果推斷來學習箇中奧祕

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。

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