26、因果推断与机器学习：深度学习、自然语言处理及其他

因果推断与机器学习：深度学习、自然语言处理及其他

1. 因果推断模型评估

在现实世界中，将专家知识融入过程，并使用测试数据验证模型预测（如果可能，使用干预和反事实预测），对应对因果推断挑战非常有帮助。评估特定实际用例中的CATE模型，可能比在精心策划的基准上与其他模型比较其通用性能更容易。当代非因果机器学习也面临类似挑战，但更难明确察觉。

2. 深度学习架构在因果推断中的应用

介绍了基于深度学习的TARNet和Snet架构，并使用CATENets库实现，还将结果与其他CATE方法进行了比较，讨论了对CATE模型进行基准测试的挑战。

3. 维特根斯坦的哲学思想与自然语言处理

• 哲学背景 ：1916年，犹太裔奥地利年轻人路德维希·维特根斯坦在战争受伤住院时，背包里装满了关于逻辑、伦理、语言和宗教的笔记，这些笔记后来成为他一生唯一出版的《逻辑哲学论》的基础。该书核心观点之一是，大多数哲学问题源于语言的滥用，明确对现实世界对象和事态的引用可解决现有哲学问题。
• 意义理论 ：书中提出的意义理论认为，语言中的名称指称简单（原子）对象，原子对象不可再分或描述，只能命名。但自然语言中，同一个词常表示不同对象、事件，甚至整个句子，如阿拉伯语“يال (yalla)”，其含义高度依赖上下文，包括“我们走吧！”“快点！”等多种意思。维特根斯坦后期改变了对意义的看法，提出“词的意义在于其在语言中的使用”，并认为不同意义可在语言游戏中编码。
• 计算机理解语言的挑战与发展