ScholarGate
Avustaja

Kausaalirakenteiden etsintä ja kausaalinen koneoppiminen

8 menetelmää tässä perheessä.

Esittelyssä

Kausaalisen rakenteen löytämisen algoritmit (PC, FCI, LiNGAM)Causal discovery is a family of algorithms that automatically learn a directed acyclic graph (DAG) describing causal structure directly from observational data. The constraint-baseFCI-algoritmiThe Fast Causal Inference (FCI) algorithm is a constraint-based causal discovery method introduced by Spirtes, Glymour, and Scheines in their landmark 2000 book Causation, PredictiGES-algoritmi – ahne ekvivalenssihaku kausaalisen rakenteen löytämiseenGreedy Equivalence Search (GES) is a score-based algorithm for learning the causal structure of a set of variables from observational data. Introduced by David Maxwell Chickering iKoneoppimisella täydennetty kontrafaktuaalinen vaikuttavuuden arviointiMachine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather thaKoneoppimisella täydennetty sumea regressioepäjatkuvuusasetelmaML-augmented fuzzy RDD extends the classical fuzzy regression discontinuity design by replacing parametric polynomial approximations with flexible machine learning estimators. WherKoneoppimista hyödyntävä marginaalinen rakenteellinen malli (ML-MSM)The machine learning-augmented marginal structural model combines the causal rigour of Robins et al.'s MSM framework with flexible, data-adaptive ML algorithms for estimating prope

Lukupolku

Tämän aiheen viitatuimmat perusmenetelmät kehitysjärjestyksessään — hyvä aloituspaikka, jos olet täällä uusi.

  1. Kausaalisen rakenteen löytämisen algoritmit (PC, FCI, LiNGAM)2000tekijä Spirtes, Glymour & Scheines (PC/FCI); Shimizu et al. (LiNGAM)
  2. FCI-algoritmi2000tekijä Spirtes, Glymour & Scheines
  3. Koneoppimista hyödyntävä marginaalinen rakenteellinen malli (ML-MSM)2000 (MSM); 2011 (ML-augmented via targeted learning)tekijä Robins, Hernan & Brumback (MSM, 2000); van der Laan & Rose (ML augmentation, TMLE framework, 2011)
  4. Koneoppimisella täydennetty sumea regressioepäjatkuvuusasetelma2001 (fuzzy RDD); 2018 (double ML augmentation)tekijä Hahn, Todd & Van der Klaauw (fuzzy RDD); Chernozhukov et al. (ML augmentation framework)
  5. GES-algoritmi – ahne ekvivalenssihaku kausaalisen rakenteen löytämiseen2002tekijä David Maxwell Chickering
  6. Kohdennettu suurimman uskottavuuden estimointi (TMLE)2006tekijä Mark van der Laan & Daniel Rubin
  7. Koneoppimisella täydennetty kontrafaktuaalinen vaikuttavuuden arviointi2016-2019tekijä Chernozhukov et al.; Athey & Imbens
  8. NOTEARS: Jatkuva optimointi kausaalisen rakenteen oppimiseen2018tekijä Zheng, Aragam, Ravikumar & Xing

Kaikki menetelmät 8

Kausaalisen rakenteen löytämisen algoritmit (PC, FCI, LiNGAM)FCI-algoritmiGES-algoritmi – ahne ekvivalenssihaku kausaalisen rakenteen löytämiseenKoneoppimisella täydennetty kontrafaktuaalinen vaikuttavuuden arviointiKoneoppimisella täydennetty sumea regressioepäjatkuvuusasetelmaKoneoppimista hyödyntävä marginaalinen rakenteellinen malli (ML-MSM)NOTEARS: Jatkuva optimointi kausaalisen rakenteen oppimiseenKohdennettu suurimman uskottavuuden estimointi (TMLE)