因果推斷與機器學習 (修訂版)

本書是一本理論扎實，同時聯系實際應用的圖書。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。

第1章 因果推斷入門 1
1.1 定義因果關系的兩種基本框架 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 工具變量 22
1.2.2 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 因果中介效應分析 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 基於神經網絡的因果推斷 57
2.2.1 反事實回歸網絡 57
2.2.2 因果效應變分自編碼器 62
2.2.3 因果中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 基於多模態代理變量的多方面情感效應估計 74
2.2.6 在網絡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能中的其他應用 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