liz_Lee的博客

因果推断资料相关学者Judea PearlJamie Robins崔鹏耿直书《causality：models，reasoning and inference》《causal inference:what if》《elements causal inference》《causation prediction and search》《causal inference in statistics》教程github-sharma论文博客相关学者Judea Pearl加州大学洛杉矶分校-计算机科学学院Jam

目录1 背景2 模型稳定性3 关联存在的问题4 产生关联的原因5 因果参考1 背景AI的风险：不可解释性，不稳定性原因：关联统计克服手段：因果推断可解释性与不稳定性存在内在联系，提高稳定性就能提高可解释性训练和测试差异越大，效果提升越明显技术风险小的领域：搜索引擎，推荐系统技术风险大的领域（风险敏感）：医疗健康，法律，交通运输，金融科技人完全信任AI的预测结果是很难的——人在回路中——需要共同语言2 模型稳定性A：收入影响城市医院的癌症病人存活率B：收入与高校医院的癌症病人存活率相关

20年因果ppt因果推断相关的自制ppt分享：

19年因果ppt19年自制ppt分享：

目录0 题目1 背景2 问题3 现状与GAP3.1 现状3.2 GAP4 难点5 创新点6 内容7 验证0 题目Causal deconvolution by algorithm generative models期刊：Nature Articles1 背景目前的机器学习和深度学习方法在处理归纳推理、解释和因果关系方面存在不足不同对象通过不同生成机制相互作用产生复杂行为：• 根据特定度量的数据点间距离最小化——k-means/k-medoids• 利用概率分布，回归等技术实现线性分离/分离