「因果推理」概述论文，13页pdf

因果推理是解释性分析的强大建模工具，它可使当前的机器学习变得可解释。如何将因果推理与机器学习相结合，开发可解释人工智能（XAI）算法，是迈向人工智能2.0的关键步骤之一。为了将因果推理的知识带给机器学习和人工智能领域的学者，我们邀请从事因果推理的研究人员，从因果推理的不同方面撰写了本综述。本综述包括以下几个部分：况琨博士的“平均因果效应评估——简要回顾与展望”，李廉教授的“反事实推理的归因问题”，耿直教授的“Yule-悖论和替代指标悖论”，徐雷教授的“因果发现CPT方法”，张坤教授的“从观测数据中发现因果关系”，廖备水和黄华新教授的“形式论辩在因果推理和解释中的作用”，丁鹏教授的“复杂实验中的因果推断”，苗旺教授的“观察性研究中的工具变量和阴性对照方法”，蒋智超博士的“有干扰下的因果推断”。

1. 平均因果效应评估——简要回顾及展望

机器学习方法已在许多领域取得了巨大成功，但其中大部分都缺乏可解释性。因果推理是一种强有力的建模工具，可用于解释性分析，其可能使当前的机器学习能够做出可解释的预测。本文回顾了两个用于估计因果效应的经典算法，并讨论了实际应用中因果效应评估存在的挑战。此外，我们提出了一种可能的方法，通过将因果推理与机器学习相结合来开发可解释的人工智能（ , XAI）算法。

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www..ai，获取5000+AI主题干货知识资料！