博客來
本書是一本理論扎實，同時聯繫實際應用的圖書。全書系統地介紹了因果推斷的基本知識、基於機器學習的因果推斷方法和基於因果推斷的機器學習方法及其在一些重要領域的應用。
全書共分6章。第1章從結構因果模型和潛在結果框架出發，介紹因果推斷的基本概念和方法。第2章介紹近年統計和機器學習文獻中出現的一些重要的基於機器學習的因果推斷方法。第3章介紹能夠提高機器學習模型的泛化能力的因果表徵學習。第4章介紹因果機器學習如何提高機器學習模型的可解釋性與公平性。第5章介紹因果機器學習在推薦系統和學習排序中的應用。第6章是對全書的一個總結和對未來的展望。
本書對結合因果推斷和機器學習的理論與實踐進行了介紹。並在第1版的基礎上對一些陳舊的內容做了更新。通過閱讀本書，讀者不僅可以掌握因果機器學習的基礎理論，還可對本書中提到的論文代碼進行鑽研，從而在實踐中加深對因果機器學習的理解。
| FindBook |
有 1 項符合
因果推斷與機器學習(修訂版)的圖書 |
 |
因果推斷與機器學習(修訂版) 作者：郭若城 出版社：電子工業出版社 出版日期：2023-10-01 語言：簡體中文 規格：平裝 / 251頁 / 19 x 26 x 1.26 cm / 普通級/ 2-1 |
| 圖書館借閱 |
| 國家圖書館 | 全國圖書書目資訊網 | 國立公共資訊圖書館 | 電子書服務平台 | MetaCat 跨館整合查詢 |
| 臺北市立圖書館 | 新北市立圖書館 | 基隆市公共圖書館 | 桃園市立圖書館 | 新竹縣公共圖書館 |
| 苗栗縣立圖書館 | 臺中市立圖書館 | 彰化縣公共圖書館 | 南投縣文化局 | 雲林縣公共圖書館 |
| 嘉義縣圖書館 | 臺南市立圖書館 | 高雄市立圖書館 | 屏東縣公共圖書館 | 宜蘭縣公共圖書館 |
| 花蓮縣文化局 | 臺東縣文化處 |
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：因果推斷與機器學習(修訂版)
內容簡介
作者介紹
郭若城，倫敦位元組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、搜索排序和圖數據中的應用。曾獲美國亞利桑那州立大學傑出計算機科學博士生獎項。
程璐，美國伊利諾芝加哥分校計算機系助理教授，于2022年獲美國亞利桑那州立大學（ASU）計算機科學專業博士學位，師從劉歡教授。研究方向包括社會負責任人工智慧，具體為人工智慧的公平性、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計算機專業博士生，本科畢業于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計算機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、數據挖掘、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。
程璐，美國伊利諾芝加哥分校計算機系助理教授，于2022年獲美國亞利桑那州立大學（ASU）計算機科學專業博士學位，師從劉歡教授。研究方向包括社會負責任人工智慧，具體為人工智慧的公平性、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計算機專業博士生，本科畢業于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計算機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、數據挖掘、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。
目錄
第1章 因果推斷入門 ....................................................................... 1
1.1 定義因果關係的兩種基本框架 .................................................................... 1
1.1.1 結構因果模型 .................................................................................... 3
1.1.2 潛在結果框架 .................................................................................. 17
1.2 因果識別和因果效應估測 .......................................................................... 21
1.2.1 工具變數 .......................................................................................... 22
1.2.2 中斷點回歸設計 .................................................................................. 27
1.2.3 前門準則 .......................................................................................... 30
1.2.4 雙重差分模型 .................................................................................. 32
1.2.5 合成控制 .......................................................................................... 34
1.2.6 因果仲介效應分析 .......................................................................... 39
1.2.7 部分識別、ATE 的上下界和敏感度分析 ...................................... 44
第2章 用機器學習解決因果推斷問題 ................................................ 52
2.1 基於集成學習的因果推斷 .......................................................................... 53
2.2 基於神經網路的因果推斷 .......................................................................... 57
2.2.1 反事實回歸網路 .............................................................................. 57
2.2.2 因果效應變分自編碼器 .................................................................. 62
2.2.3 因果仲介效應分析變分自編碼器 .................................................. 69
2.2.4 針對線上評論多方面情感的多重因果效應估計 ........................... 71
2.2.5 基於多模態代理變數的多方面情感效應估計 ............................... 74
2.2.6 在網路數據中解決因果推斷問題 .................................................. 77
第3章 因果表徵學習與泛化能力 ...................................................... 82
3.1 數據增強 ...................................................................................................... 84
3.1.1 利用眾包技術的反事實數據增強 .................................................. 84
3.1.2 基於規則的反事實數據增強 .......................................................... 89
3.1.3 基於模型的反事實數據增強 .......................................................... 91
3.2 提高模型泛化能力的歸納偏置 .................................................................. 96
3.2.1 使用不變預測的因果推理 .............................................................. 96
3.2.2 獨立機制原則 ................................................................................ 101
3.2.3 因果學習和反因果學習 ................................................................ 102
3.2.4 半同胞回歸 .................................................................................... 103
3.2.5 不變風險最小化 ............................................................................ 105
3.2.6 不變合理化 .................................................................................... 113
第4章 可解釋性、公平性和因果機器學習 ........................................ 120
4.1 可解釋性 .................................................................................................... 121
4.1.1 可解釋性的屬性 ............................................................................ 122
4.1.2 基於相關性的可解釋性模型 ........................................................ 124
4.1.3 基於因果機器學習的可解釋性模型............................................. 127
4.2 公平性 ........................................................................................................ 144
4.2.1 不公平機器學習的典型實例 ........................................................ 145
4.2.2 機器學習不公平的原因 ................................................................ 147
4.2.3 基於相關關係的公平性定義 ........................................................ 149
4.2.4 因果推斷對公平性研究的重要性 ................................................ 153
4.2.5 因果公平性定義 ............................................................................ 156
4.2.6 基於因果推斷的公平機器學習 .................................................... 162
4.3 因果推斷在可信和負責任的人工智慧中的其他應用 ............................ 165
第5章 特定領域的機器學習 .......................................................... 168
5.1 推薦系統與因果機器學習 ........................................................................ 169
5.1.1 推薦系統簡介 ................................................................................ 169
5.1.2 用因果推斷修正推薦系統中的偏差............................................. 179
5.2 基於因果推斷的學習排序 ........................................................................ 195
5.2.1 學習排序簡介 ................................................................................ 196
5.2.2 用因果推斷修正學習排序中的偏差............................................. 200
第6章 總結與展望 ...................................................................... 212
6.1 總結 .......................................................................................................... 212
6.2 展望 .......................................................................................................... 218
術語表 ........................................................................................ 220
參考文獻 .....................................................................................231
1.1 定義因果關係的兩種基本框架 .................................................................... 1
1.1.1 結構因果模型 .................................................................................... 3
1.1.2 潛在結果框架 .................................................................................. 17
1.2 因果識別和因果效應估測 .......................................................................... 21
1.2.1 工具變數 .......................................................................................... 22
1.2.2 中斷點回歸設計 .................................................................................. 27
1.2.3 前門準則 .......................................................................................... 30
1.2.4 雙重差分模型 .................................................................................. 32
1.2.5 合成控制 .......................................................................................... 34
1.2.6 因果仲介效應分析 .......................................................................... 39
1.2.7 部分識別、ATE 的上下界和敏感度分析 ...................................... 44
第2章 用機器學習解決因果推斷問題 ................................................ 52
2.1 基於集成學習的因果推斷 .......................................................................... 53
2.2 基於神經網路的因果推斷 .......................................................................... 57
2.2.1 反事實回歸網路 .............................................................................. 57
2.2.2 因果效應變分自編碼器 .................................................................. 62
2.2.3 因果仲介效應分析變分自編碼器 .................................................. 69
2.2.4 針對線上評論多方面情感的多重因果效應估計 ........................... 71
2.2.5 基於多模態代理變數的多方面情感效應估計 ............................... 74
2.2.6 在網路數據中解決因果推斷問題 .................................................. 77
第3章 因果表徵學習與泛化能力 ...................................................... 82
3.1 數據增強 ...................................................................................................... 84
3.1.1 利用眾包技術的反事實數據增強 .................................................. 84
3.1.2 基於規則的反事實數據增強 .......................................................... 89
3.1.3 基於模型的反事實數據增強 .......................................................... 91
3.2 提高模型泛化能力的歸納偏置 .................................................................. 96
3.2.1 使用不變預測的因果推理 .............................................................. 96
3.2.2 獨立機制原則 ................................................................................ 101
3.2.3 因果學習和反因果學習 ................................................................ 102
3.2.4 半同胞回歸 .................................................................................... 103
3.2.5 不變風險最小化 ............................................................................ 105
3.2.6 不變合理化 .................................................................................... 113
第4章 可解釋性、公平性和因果機器學習 ........................................ 120
4.1 可解釋性 .................................................................................................... 121
4.1.1 可解釋性的屬性 ............................................................................ 122
4.1.2 基於相關性的可解釋性模型 ........................................................ 124
4.1.3 基於因果機器學習的可解釋性模型............................................. 127
4.2 公平性 ........................................................................................................ 144
4.2.1 不公平機器學習的典型實例 ........................................................ 145
4.2.2 機器學習不公平的原因 ................................................................ 147
4.2.3 基於相關關係的公平性定義 ........................................................ 149
4.2.4 因果推斷對公平性研究的重要性 ................................................ 153
4.2.5 因果公平性定義 ............................................................................ 156
4.2.6 基於因果推斷的公平機器學習 .................................................... 162
4.3 因果推斷在可信和負責任的人工智慧中的其他應用 ............................ 165
第5章 特定領域的機器學習 .......................................................... 168
5.1 推薦系統與因果機器學習 ........................................................................ 169
5.1.1 推薦系統簡介 ................................................................................ 169
5.1.2 用因果推斷修正推薦系統中的偏差............................................. 179
5.2 基於因果推斷的學習排序 ........................................................................ 195
5.2.1 學習排序簡介 ................................................................................ 196
5.2.2 用因果推斷修正學習排序中的偏差............................................. 200
第6章 總結與展望 ...................................................................... 212
6.1 總結 .......................................................................................................... 212
6.2 展望 .......................................................................................................... 218
術語表 ........................................................................................ 220
參考文獻 .....................................................................................231
|
