鏈接：https://pan.baidu.com/s/1C9fnr5gYGvzVhrYi9P2Sqw?pwd=hb1t?

提取碼：hb1t

華人學(xué)者劉歡（ACM Fellow）聯(lián)合業(yè)界和學(xué)界多位因果機(jī)器學(xué)習(xí)專家傾力打造。因果推斷和機(jī)器學(xué)習(xí)的理論與實(shí)際應(yīng)用相結(jié)合；

系統(tǒng)介紹因果推斷的基本知識(shí)、基于機(jī)器學(xué)習(xí)的因果推斷方法和基于因果推斷的機(jī)器學(xué)習(xí)方法及其在一些重要領(lǐng)域的應(yīng)用。

內(nèi)容簡(jiǎn)介

本書(shū)是一本理論扎實(shí)，同時(shí)聯(lián)系實(shí)際應(yīng)用的圖書(shū)。全書(shū)系統(tǒng)地介紹了因果推斷的基本知識(shí)、基于機(jī)器學(xué)習(xí)的因果推斷方法和基于因果推斷的機(jī)器學(xué)習(xí)方法及其在一些重要領(lǐng)域的應(yīng)用。 全書(shū)共分6章。第1章從潛結(jié)果框架和結(jié)構(gòu)因果模型出發(fā)，介紹因果推斷的基本概念和方法。第2章介紹近年統(tǒng)計(jì)和機(jī)器學(xué)習(xí)文獻(xiàn)中出現(xiàn)的一些重要的基于機(jī)器學(xué)習(xí)的因果推斷方法。第3章介紹能夠提高機(jī)器學(xué)習(xí)模型的泛化能力的因果表征學(xué)習(xí)。第4章介紹因果機(jī)器學(xué)習(xí)如何提高機(jī)器學(xué)習(xí)模型的可解釋性與公平性。第5章介紹因果機(jī)器學(xué)習(xí)在推薦系統(tǒng)和學(xué)習(xí)排序中的應(yīng)用。第6章是對(duì)全書(shū)的一個(gè)總結(jié)和對(duì)未來(lái)的展望。本書(shū)對(duì)結(jié)合因果推斷和機(jī)器學(xué)習(xí)的理論與實(shí)踐進(jìn)行了介紹。通過(guò)閱讀本書(shū)，讀者不僅可以掌握因果機(jī)器學(xué)習(xí)的基礎(chǔ)理論，還可對(duì)本書(shū)中提到的論文代碼進(jìn)行鉆研，從而在實(shí)踐中加深對(duì)因果機(jī)器學(xué)習(xí)的理解。

作者簡(jiǎn)介

郭若城，倫敦字節(jié)跳動(dòng)人工智能實(shí)驗(yàn)室機(jī)器學(xué)習(xí)研究員。研究重點(diǎn)為因果推斷和可置信的機(jī)器學(xué)習(xí)在推薦系統(tǒng)、搜索排序和圖數(shù)據(jù)中的應(yīng)用。曾獲美國(guó)亞利桑那州立大學(xué)杰出計(jì)算機(jī)科學(xué)博士生獎(jiǎng)項(xiàng)。

程璐，美國(guó)伊利諾伊芝加哥分校計(jì)算機(jī)系助理教授，于2022年獲美國(guó)亞利桑那州立大學(xué)（ASU）計(jì)算機(jī)科學(xué)專業(yè)博士學(xué)位，師從劉歡教授。研究方向包括社會(huì)負(fù)責(zé)任人工智能，具體為人工智能的公平性、可解釋性、隱私保護(hù)、可泛化性、對(duì)社會(huì)的公益性、因果機(jī)器學(xué)習(xí)，以及社會(huì)計(jì)算。

劉昊，美國(guó)加州理工學(xué)院在讀計(jì)算機(jī)專業(yè)博士生，本科畢業(yè)于南京大學(xué)匡亞明學(xué)院，研究方向?yàn)榭芍眯诺臋C(jī)器學(xué)習(xí)、因果機(jī)器學(xué)習(xí)。

劉歡，美國(guó)亞利桑那州立大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院教授，ACM Fellow、AAAI Fellow、AAAS Fellow、IEEE Fellow。研究重點(diǎn)是開(kāi)發(fā)人工智能、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和社會(huì)計(jì)算的計(jì)算方法，并設(shè)計(jì)高效的算法有效地解決了從基礎(chǔ)研究、特征選擇、社會(huì)媒體挖掘到現(xiàn)實(shí)世界應(yīng)用的問(wèn)題。

精彩書(shū)評(píng)

在機(jī)器學(xué)習(xí)算法在各領(lǐng)域取得重大成果的今天，人工智能仍然面臨著挑戰(zhàn)。如今，大規(guī)模的機(jī)器學(xué)習(xí)模型在有海量數(shù)據(jù)的條件下可以學(xué)習(xí)到復(fù)雜的相關(guān)性。但它們?nèi)匀缓茈y像人類一樣，只用少量的數(shù)據(jù)就可以學(xué)習(xí)到數(shù)據(jù)中隱含的因果關(guān)系。

本書(shū)首先介紹因果推斷的基礎(chǔ)知識(shí)，然后介紹因果機(jī)器學(xué)習(xí)在域外泛化、可解釋性、算法公平性、自然語(yǔ)言處理和推薦搜索糾偏等熱門研究和應(yīng)用領(lǐng)域中具有代表性的模型方法和應(yīng)用場(chǎng)景，適合數(shù)據(jù)科學(xué)相關(guān)專業(yè)的高年級(jí)本科生、研究生閱讀。

——張愛(ài)東 美國(guó)弗吉尼亞大學(xué)教授，ACM/IEEE/AIMBE Fellow

讓機(jī)器學(xué)習(xí)模型像人類一樣，能夠區(qū)分因果性和相關(guān)性是邁向通用人工智能的一個(gè)關(guān)鍵步驟。本書(shū)講解了因果機(jī)器學(xué)習(xí)相關(guān)的基礎(chǔ)知識(shí)、重要的方法和典型的應(yīng)用，包括自然語(yǔ)言處理、機(jī)器學(xué)習(xí)可解釋性、算法公平性、推薦搜索糾偏等。

本書(shū)對(duì)想要進(jìn)入因果機(jī)器學(xué)習(xí)領(lǐng)域、數(shù)據(jù)科學(xué)相關(guān)專業(yè)的本科生、研究生和從業(yè)人員很有幫助。

——常毅 吉林大學(xué)人工智能學(xué)院院長(zhǎng)、教授，BCS/IET Fellow，ACM 杰出會(huì)員

人工智能和機(jī)器學(xué)習(xí)模型正在各行各業(yè)發(fā)揮著舉足輕重的作用。傳統(tǒng)機(jī)器學(xué)習(xí)往往專注于提升某個(gè)任務(wù)的預(yù)測(cè)準(zhǔn)確能力，從而忽視了模型背后所能夠揭示的更深層次的不同變量之間的因果聯(lián)系，以致得到缺乏解釋性的模型，更有可能做出不公平的決策，甚至在新的數(shù)據(jù)分布上表現(xiàn)不佳。讓機(jī)器學(xué)習(xí)模型能夠進(jìn)行因果推斷是從提高預(yù)測(cè)精度到揭示事物變化規(guī)律這一重要躍遷的關(guān)鍵能力。

本書(shū)深入淺出地介紹了因果機(jī)器學(xué)習(xí)的理論及其在各細(xì)分領(lǐng)域的應(yīng)用，對(duì)相關(guān)領(lǐng)域的科研人員和工程師了解和研究因果機(jī)器學(xué)習(xí)會(huì)有很大幫助。

——洪亮劼 美國(guó)領(lǐng)英公司工程總監(jiān)，博士

目錄

第1章 因果推斷入門 1
1．1 定義因果關(guān)系的兩種基本框架 1
1．1．1 結(jié)構(gòu)因果模型 3
1．1．2 潛結(jié)果框架 17
1．2 因果識(shí)別和因果效應(yīng)估測(cè) 21
1．2．1 工具變量 22
1．2．2 斷點(diǎn)回歸設(shè)計(jì) 27
1．2．3 前門準(zhǔn)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(yīng)分析 39
1．2．7 部分識(shí)別、ATE的上下界和敏感度分析 44
第2章 用機(jī)器學(xué)習(xí)解決因果推斷問(wèn)題 52
2．1 基于集成學(xué)習(xí)的因果推斷 53
2．2 基于神經(jīng)網(wǎng)絡(luò)的因果推斷 57
2．2．1 反事實(shí)回歸網(wǎng)絡(luò) 57
2．2．2 因果效應(yīng)變分自編碼器 62
2．2．3 因果中介效應(yīng)分析變分自編碼器 69
2．2．4 針對(duì)線上評(píng)論多方面情感的多重因果效應(yīng)估計(jì) 71
2．2．5 基于多模態(tài)代理變量的多方面情感效應(yīng)估計(jì) 74
2．2．6 在網(wǎng)絡(luò)數(shù)據(jù)中解決因果推斷問(wèn)題 77
第3章 因果表征學(xué)習(xí)與泛化能力 82
3．1 數(shù)據(jù)增強(qiáng) 84
3．1．1 利用眾包技術(shù)的反事實(shí)數(shù)據(jù)增強(qiáng) 84
3．1．2 基于規(guī)則的反事實(shí)數(shù)據(jù)增強(qiáng) 89
3．1．3 基于模型的反事實(shí)數(shù)據(jù)增強(qiáng) 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(yù)測(cè)的因果推理 96
3．2．2 獨(dú)立機(jī)制原則 101
3．2．3 因果學(xué)習(xí)和反因果學(xué)習(xí) 102
3．2．4 半同胞回歸 103
3．2．5 不變風(fēng)險(xiǎn)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(jī)器學(xué)習(xí) 120
4．1 可解釋性 121
4．1．1 可解釋性的屬性 122
4．1．2 基于相關(guān)性的可解釋性模型 124
4．1．3 基于因果機(jī)器學(xué)習(xí)的可解釋性模型 127
4．2 公平性 144
4．2．1 不公平機(jī)器學(xué)習(xí)的典型實(shí)例 145
4．2．2 機(jī)器學(xué)習(xí)不公平的原因 147
4．2．3 基于相關(guān)關(guān)系的公平性定義 149
4．2．4 因果推斷對(duì)公平性研究的重要性 153
4．2．5 因果公平性定義 156
4．2．6 基于因果推斷的公平機(jī)器學(xué)習(xí) 162
4．3 因果推斷在可信和負(fù)責(zé)任人工智能的其他應(yīng)用 166
第5章 特定領(lǐng)域的機(jī)器學(xué)習(xí) 169
5．1 推薦系統(tǒng)與因果機(jī)器學(xué)習(xí) 170
5．1．1 推薦系統(tǒng)簡(jiǎn)介 170
5．1．2 用因果推斷修正推薦系統(tǒng)中的偏差 180
5．2 基于因果推斷的學(xué)習(xí)排序 196
5．2．1 學(xué)習(xí)排序簡(jiǎn)介 197
5．2．2 用因果推斷修正學(xué)習(xí)排序中的偏差 201
第6章 總結(jié)與展望 212
6．1 總結(jié) 212
6．2 展望 218
術(shù)語(yǔ)表 220
參考文獻(xiàn) 232

查看全部↓