因果 AI : 深度學習與因果推斷融合實戰

本書讚譽

推薦序

譯者序

序

前言

第一分　概念基礎

第1章　為什麼需要因果AI2

　1.1　什麼是因果AI3

　1.2　因果推斷的研究方法4

　1.3　因果關系在現代人工智能工作流

中的作用5

　1.4　因果科學人工智能的

新紀元10

　1.5　因果關系的機器學習視角

導論10

第2章　概率生成建模基礎16

　2.1　概率基礎16

　2.2　計算概率29

　2.3　數據、總體、統計和模型37

　2.4　決定論與主觀概率47

第二分　因果圖的構建與驗證

第3章　構建因果圖模型52

　3.1　因果有向無環圖簡介52

　3.2　因果不變性與參數模塊化72

　3.3　因果問題決定有向無環圖的

範圍74

　3.4　未來方向：模型驗證與因果圖

深度學習融合78

第4章　基於因果約束的有向

無環圖檢驗80

　4.1　因果關系引發條件獨立性的

機制80

　4.2　d分離與條件獨立性83

　4.3　因果有向無環圖的反駁驗證90

　4.4　條件獨立性檢驗的局限性95

　4.5　基於潛在變量反駁因果有向

無環圖99

　4.6　因果發現（及其風險）基礎107

第5章　因果推斷與深度學習的

融合112

　5.1　計算機視覺問題的因果模型113

　5.2　經因果模型的訓練方法117

　5.3　因果推斷助力深度學習132

第三分　因果層級

第6章　結構因果模型138

　6.1　從通用因果圖模型到結構因果

模型138

　6.2　結構因果模型的等關系145

　6.3　規則型系統的結構因果模型

實現152

　6.4　基於數據訓練結構因果模型160

　6.5　結構因果模型與深度學習的

融合165

第7章　幹預與因果效應173

　7.1　幹預案例研究174

　7.2　理想幹預與幹預算子185

　7.3　幹預變量與分布190

　7.4　幹預和因果效應193

　7.5　隨機幹預195

　7.6　幹預建模的實踐要點197

第8章　反事實和平行200

　8.1　反事實推理的動機201

　8.2　反事實的符號表示205

　8.3　二元反事實211

　8.4　可能與平行圖215

第9章　反事實推斷的通用

算法222

　9.1　算法演練222

　9.2　案例研究1：蒙提霍爾問題227

　9.3　案例研究2：反事實變分

推斷235

　9.4　案例研究3：基於深度生成模型

的反事實圖像生成243

第10章　識別與因果層級254

　10.1　因果層級254

　10.2　識別與因果推斷工作流257

　10.3　基於後門調整的因果識別261

　10.4　基於do演算的圖形識別264

　10.5　圖形識別算法266

　10.6　反事實識別的一般方法268

　10.7　基於圖的反事實識別272

　10.8　識別與概率推斷280

　10.9　分識別284

第四分　因果推斷的應用

第11章　構建因果推斷工作流288

　11.1　步驟1：確定目標查詢288

　11.2　步驟2：構建模型289

　11.3　步驟3：識別估計量291

　11.4　步驟4：估計目標估計量299

　11.5　步驟5：證偽307

　11.6　因果生成模型的因果推斷311

第12章　因果決策與強化學習329

　12.1　決策理論的因果基礎329

　12.2　因果決策理論331

　12.3　因果有向無環圖與序貫決策345

　12.4　隨機幹預形式下的策略348

　12.5　因果強化學習350

　12.6　決策理論中的反事實推理354

第13章　因果關系與大語言

模型356

　13.1　大語言模型：因果知識庫的

新範式356

　13.2　大語言模型的因果入門指南365

　13.3　構建屬因果大語言模型369