第1章 因果推斷入門 1
1.1 定義因果關(guān)系的兩種基本框架 1
1.1.1 結(jié)構(gòu)因果模型 3
1.1.2 潛在結(jié)果框架 17
1.2 因果識別和因果效應(yīng)估測 21
1.2.1 工具變量 22
1.2.2 斷點回歸設(shè)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 因果中介效應(yīng)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 基于集成學習的因果推斷 53
2.2 基于神經(jīng)網(wǎng)絡(luò)的因果推斷 57
2.2.1 反事實回歸網(wǎng)絡(luò) 57
2.2.2 因果效應(yīng)變分自編碼器 62
2.2.3 因果中介效應(yīng)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(yīng)估計 71
2.2.5 基于多模態(tài)代理變量的多方面情感效應(yīng)估計 74
2.2.6 在網(wǎng)絡(luò)數(shù)據(jù)中解決因果推斷問題 77
第3章 因果表征學習與泛化能力 82
3.1 數(shù)據(jù)增強 84
3.1.1 利用眾包技術(shù)的反事實數(shù)據(jù)增強 84
3.1.2 基于規(guī)則的反事實數(shù)據(jù)增強 89
3.1.3 基于模型的反事實數(shù)據(jù)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 基于相關(guān)性的可解釋性模型 124
4.1.3 基于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 基于相關(guān)關(guān)系的公平性定義 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 基于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能中的其他應(yīng)用 165
第5章 特定領(lǐng)域的機器學習 168
5.1 推薦系統(tǒng)與因果機器學習 169
5.1.1 推薦系統(tǒng)簡介 169
5.1.2 用因果推斷修正推薦系統(tǒng)中的偏差 179
5.2 基于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(jié)與展望 212
6.1 總結(jié) 212
6.2 展望 218
術(shù)語表 220
參考文獻 231