Обнаружение и причинный ML
8 — методы этого семейства.
Избранное
Алгоритмы каузального обнаружения (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-baseАлгоритм FCIThe Fast Causal Inference (FCI) algorithm is a constraint-based causal discovery method introduced by Spirtes, Glymour, and Scheines in their landmark 2000 book Causation, PredictiАлгоритм GESGreedy 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 iМашинное обучение с дополненной оценкой контрфактического воздействияMachine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather thaМашинное обучение с дополненным нечетким регрессионным разрывомML-augmented fuzzy RDD extends the classical fuzzy regression discontinuity design by replacing parametric polynomial approximations with flexible machine learning estimators. WherМашинно-обучаемая дополненная маргинальная структурная модель (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
План чтения
Наиболее цитируемые фундаментальные методы этой темы в порядке их появления — отправная точка, если вы здесь впервые.
Все методы 8
Алгоритмы каузального обнаружения (PC, FCI, LiNGAM)Алгоритм FCIАлгоритм GESМашинное обучение с дополненной оценкой контрфактического воздействияМашинное обучение с дополненным нечетким регрессионным разрывомМашинно-обучаемая дополненная маргинальная структурная модель (ML-MSM)NOTEARS: непрерывная оптимизация для обучения причинно-следственной структурыЦелевая оценка максимального правдоподобия (TMLE)