為了幫助大家更好地了解因果科學(xué)的最新科研進(jìn)展和資訊，我們因果科學(xué)社區(qū)團(tuán)隊(duì)本周整理了第2期《因果科學(xué)周刊》，從 Causality, Causal Inference, Causal AI 三個(gè)維度鳥瞰，推送近期因果科學(xué)值得關(guān)注的論文和資訊信息， 同時(shí)我們也將向大家介紹社區(qū)正在推進(jìn)的活動(dòng)——因果科學(xué)與Casual AI讀書會(huì)第6期中的主要報(bào)告內(nèi)容、觀點(diǎn)。

本期作者：況琨，龔鶴揚(yáng)，陳晗曦，陳天豪，張卓婧，楊雅程

本期周報(bào)中的論文推薦，將圍繞因果科學(xué)領(lǐng)域的“混淆偏差”問題展開，關(guān)于它的解釋，大家可以先看下面這個(gè)例子（熟悉的朋友也可以忽略這部分內(nèi)容，直接閱讀下面的“論文推薦”）。

鍛煉能否降低膽固醇呢？如下圖1，從每個(gè)年齡層來看可以降低，但是如果不分層則會(huì)提高膽固醇。

圖1: 鍛煉是否有利于健康？

這個(gè)問題便涉及混淆偏差，回答它僅僅靠數(shù)據(jù)不夠，需要因果建模，轉(zhuǎn)化本期周刊關(guān)注的因果問題：在擁有治療變量 T，協(xié)變量 X 和結(jié)果變量 Y 的觀測(cè)數(shù)據(jù)下的因果效應(yīng)估計(jì)。

圖2：因果之梯和因果推理引擎

推理引擎中，該問題屬于因果之梯干預(yù)層的 Query，而 Data 是觀測(cè)數(shù)據(jù)，Asumptions 則經(jīng)常用潛結(jié)果框架(Potential Outcome) 來描述。

關(guān)于該因果問題如何回答，也就是去混淆偏差，浙江大學(xué)助理教授況琨向大家推薦了幾篇論文，我們根據(jù)“基于匹配方法”、“傾向評(píng)分方法”和“直接均衡方法”三個(gè)類別分別選擇兩篇論文進(jìn)行了整理和解讀。

1. 論文推薦

前兩篇論文是基于匹配的方法(Matching based method)，該方法基本思想是對(duì)比相似個(gè)體用藥和不用藥產(chǎn)生的效果差異。中間兩篇是以傾向評(píng)分為工具，給定傾向評(píng)分則類似于隨機(jī)化實(shí)驗(yàn)，而最后兩篇是通過直接加權(quán)創(chuàng)造一個(gè)新的總體，使得混淆變量和治療變量獨(dú)立的方法。

1.1 基于匹配的方法(Matching based method) 一個(gè)前沿理論框架

Kallus, N. 2017. A Framework for Optimal Matching for Causal Inference. In Artificial Intelligence and Statistics, 372–381.? ??

論文標(biāo)題：因果推斷的最優(yōu)匹配框架框架

摘要：本文提出了一種從觀測(cè)數(shù)據(jù)中進(jìn)行因果推斷的廣義最優(yōu)匹配方法(generalized optimal matching, GOM)，它涵蓋了 atching、covariate balancing 以及 doubly robust 等方法。這套框架是基于對(duì)最優(yōu)匹配的一種新的泛函分析的推廣提出的，它產(chǎn)生了一類 GOM 的方法，本文提供了一套統(tǒng)一的理論框架來對(duì)它們進(jìn)行可解性和一致性分析。許多已有的方法都可以被納入 GOM 的框架，利用GOM視角的解釋，可以將它們拓展成一種最優(yōu)且自動(dòng)的方差與性能之間的平衡策略。Kernel optimal matching (KOM) 作為GOM的一類子類，理論和經(jīng)驗(yàn)結(jié)論表明，可以將許多方法的優(yōu)點(diǎn)匯集在這一類方法中。KOM可以轉(zhuǎn)化為求解線性約束的凸二次優(yōu)化問題，在繼承了可解釋性與 model-free 的匹配一致性同時(shí)，還實(shí)現(xiàn)了在特定回歸問題下的、減少 bias 以及和 doubly robust 方法相當(dāng)?shù)聂敯粜浴Ｔ谟邢拗丿B(limited overlap)的設(shè)定下，KOM是一種對(duì)于部分識(shí)別和魯棒覆蓋問題的可移植的區(qū)間估計(jì)方法。文章在生成數(shù)據(jù)和真實(shí)數(shù)據(jù)下驗(yàn)證了這點(diǎn)。

Kallus, N. 2019. Generalized optimal matching methods for causal inference. The Journal of Machine Learning Research (forthcoming)? ??

論文標(biāo)題：因果推斷的廣義最優(yōu)匹配方法

摘要：本文唯一作者 Nathan Kallus 也是上一篇推文“A framework for optimal matching for causal inference”的唯一作者，本文“Generalized Optimal Matching Methods for Causal Inference”是基于上一篇工作推廣的后續(xù)工作，整體上延續(xù)了先前的研究思路，但是給出了更詳盡的理論依據(jù)并提出了KOM++這種新的匹配策略。文章的理論性同樣十分強(qiáng)，但作者也在KOM章節(jié)給出了一些諸如 kernel 選擇等實(shí)踐化的建議與討論，十分推薦在因果推斷 matching 領(lǐng)域的研究者閱讀，也建議對(duì)因果推斷、機(jī)器學(xué)習(xí)理論感興趣的朋友進(jìn)一步閱讀。

1.2 基于傾向評(píng)分的方法(Propensity score based method)，一篇綜述和一篇前沿

Austin, P. C. 2011. An introduction to propensity score methods for reducing the effects of confounding in observational studies. Multivariate behavioral research 46(3): 399–424.? ?

論文標(biāo)題：在觀測(cè)研究中用于減少混淆變量影響的傾向性評(píng)分方法簡(jiǎn)介

摘要：傾向性評(píng)分是給定觀測(cè)特征條件下的接受治療概率賦值，它通過模仿隨機(jī)化實(shí)驗(yàn)的一些特定特征來允許研究者進(jìn)行觀測(cè)研究的設(shè)計(jì)和分析。具體而言，傾向性評(píng)分是一種平衡評(píng)分：在給定傾向性評(píng)分情況下，觀測(cè)到的協(xié)變量分布會(huì)近似于隨機(jī)化實(shí)驗(yàn)的分布。本文討論了四種傾向性評(píng)分方法：基于傾向性評(píng)分的匹配法、基于傾向性評(píng)分的分層法、基于傾向性評(píng)分的 inverse probability of treatment

weighting(IPW) 法以及基于傾向性評(píng)分的協(xié)變量調(diào)整法。本文描述了一種平衡診斷程序，用于檢驗(yàn)使用的傾向性評(píng)分方法是否合理。此外，本文還討論了基于回歸的方法和基于傾向性評(píng)分的方法在觀測(cè)數(shù)據(jù)分析上的區(qū)別。文章最后描述了不同的平均因果效應(yīng)與傾向性評(píng)分分析的聯(lián)系。

Kun Kuang, Peng Cui, Hao Zou, Bo Li, Jianrong Tao, Fei Wu, and Shiqiang Yang. Data-Driven Variable Decomposition for Treatment Effect Estimation, IEEE Transaction on Knowledge and Data Engineering (TKDE) , 2020? ??

論文標(biāo)題：數(shù)據(jù)驅(qū)動(dòng)的變量分解用于因果效應(yīng)估計(jì)

摘要：因果推斷的一個(gè)基本問題是觀察研究中存在混淆變量時(shí)的因果效應(yīng)估計(jì)。傾向性評(píng)分常被用于混淆效應(yīng)的控制。但它將所有觀察到的變量視為混淆變量，從而忽略了那些對(duì)處理沒有影響，但對(duì)于結(jié)果具有預(yù)測(cè)性的調(diào)整變量。最近研究證明，調(diào)整變量可以有效減少估計(jì)因果效應(yīng)的方差。然而，如何自動(dòng)分離混淆變量和調(diào)整變量依然是一個(gè)開放性問題。在這篇文章中，我們首次提出一種數(shù)據(jù)驅(qū)動(dòng)的變量分解(Data-Driven Variable Decomposition, D2VD)算法，它可以自動(dòng)將變量分離為混淆變量和調(diào)整變量，并同步地估計(jì)因果效應(yīng)。在標(biāo)準(zhǔn)假設(shè)下，我們從理論上證明了D2VD 算法能以更低的方差給出因果效應(yīng)的無偏估計(jì)。此外，為了解決非線性問題，我們提出了一種非線性的D2VD (Nonlinear-D2VD, N-D2VD)算法。為了驗(yàn)證算法的有效性，我們?cè)诤铣蓴?shù)據(jù)集和真實(shí)數(shù)據(jù)集上進(jìn)行了大量的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的方法相比，D2VD 和 N-D2VD 算法能夠自動(dòng)而精確地分離變量，更準(zhǔn)確地估計(jì)因果效應(yīng)，且方差更小。我們還表明，在一個(gè)在線廣告數(shù)據(jù)集中，我們的算法產(chǎn)生排名靠前的特征具有最好的預(yù)測(cè)性能。

1.3 直接混淆因子均衡方法(Directly confounder balancing)

K. Imai and M. Ratkovic. Covariate balancing propensity score. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 76(1):243–263, 2014.? ??

論文標(biāo)題：協(xié)變量均衡的傾向評(píng)分

摘要：傾向評(píng)分在各種因果推斷中扮演著核心角色。特別地，在觀察性數(shù)據(jù)的分析中，基于傾向評(píng)分估計(jì)的匹配和加權(quán)方法愈發(fā)常見。盡管這些方法廣受歡迎，而且在理論上具有吸引力，但是它們實(shí)際困難主要是必須估計(jì)傾向評(píng)分。研究者已經(jīng)發(fā)現(xiàn)，對(duì)傾向評(píng)分模型的微小誤判會(huì)導(dǎo)致因果效應(yīng)估計(jì)的嚴(yán)重偏差。我們引入?yún)f(xié)變量均衡的傾向評(píng)分(Covariate Balancing Propensity Score, CBPS)方法，在對(duì) Treatment 賦值進(jìn)行建模的同時(shí)，優(yōu)化協(xié)變量均衡性。也就是說 CBPS 同時(shí)利用傾向評(píng)分幫助協(xié)變量均衡和建模 Treatment 賦值條件概率。CBPS 的估計(jì)可以用廣義矩估計(jì)或者經(jīng)驗(yàn)似然框架實(shí)現(xiàn)。我們發(fā)現(xiàn) CBPS 顯著改善了傾向評(píng)分匹配和加權(quán)方法在文獻(xiàn)報(bào)道中糟糕的實(shí)證表現(xiàn)。我們還表明，CBPS 可以推廣到其他重要的環(huán)境中，包括估計(jì)非二值處理的廣義傾向評(píng)分以及將實(shí)驗(yàn)估計(jì)值推廣到目標(biāo)人群。我們提供了一個(gè)開源軟件用于實(shí)現(xiàn)上述提出的方法。

Kun Kuang, Peng Cui, Bo Li, Meng Jiang, Fei Wu and Shiqiang Yang. Treatment Effect Estimation via Differentiated Confounder Balancing and Regression, Transactions on Knowledge Discovery from Data (TKDD) , 2019.

論文標(biāo)題：通過區(qū)分性混淆變量均衡和回歸得到因果效應(yīng)估計(jì)

摘要：因果效應(yīng)在諸如社會(huì)營(yíng)銷、醫(yī)療保健和公共政策等領(lǐng)域的決策中扮演著重要角色。在一般的觀察性研究中，估計(jì)因果效應(yīng)的關(guān)鍵挑戰(zhàn)是控制由處理單元和對(duì)照單元之間混淆變量分布不均衡引起的混淆偏差。傳統(tǒng)的方法在無混淆性假設(shè)下，用假定是準(zhǔn)確的傾向評(píng)分估計(jì)來重新加權(quán)單元，以消除混淆偏差。控制高維變量可以使無混淆性假設(shè)更加可信，但卻在準(zhǔn)確估計(jì)傾向評(píng)分上產(chǎn)生了新挑戰(zhàn)。最近的一系列文獻(xiàn)希望跳過傾向評(píng)分估計(jì)，直接優(yōu)化權(quán)重來均衡混淆變量的分布。但是當(dāng)前的均衡方法無法在大量潛在的混淆變量做出選擇和區(qū)分，導(dǎo)致在許多高維環(huán)境中可能表現(xiàn)不佳。在這篇文章中，我們提出了一個(gè)數(shù)據(jù)驅(qū)動(dòng)的區(qū)分性混淆變量均衡(Differentiated Confounder Balancing, DCB)算法，來聯(lián)合選擇混淆變量、區(qū)分混淆變量權(quán)重和均衡混淆變量的分布，以在高維環(huán)境下實(shí)現(xiàn)因果效應(yīng)估計(jì)。此外，在一些存在嚴(yán)重混淆偏差的情況下，為了進(jìn)一步減小因果效應(yīng)估計(jì)的偏差和方差，我們提出一種回歸校正的區(qū)分性混淆變量均衡(Regression Adjusted Differentiated Confounder Balancing, RA-DCB)算法，這種算法基于我們的DCB算法，并納入了結(jié)果回歸校正。我們提出的協(xié)同學(xué)習(xí)算法更能減少許多觀察性研究中的混淆偏差。為了驗(yàn)證上述DCB算法和RA-DCB算法的有效性，我們?cè)诤铣蓴?shù)據(jù)集和真實(shí)世界數(shù)據(jù)集中進(jìn)行了大量實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果清楚表明我們的算法比當(dāng)下流行的方法具有更好的表現(xiàn)。通過納入回歸校正，我們的RA-DCB算法估計(jì)得到的因果效應(yīng)比DCB算法得到的具有更高的精確度，特別是在嚴(yán)重混淆偏差的情況下。最后，我們展示了由我們算法所產(chǎn)生的排名靠前的特征可以準(zhǔn)確地預(yù)測(cè)在線廣告的效果。

本次推薦的論文主要屬于 Causal Inference for Data Science ，七個(gè)因果推斷工具中的第二個(gè) The Control of Confounding 有關(guān)內(nèi)容。? ?

圖3:七個(gè)因果推斷工具

2. 近期資訊推薦

我們本次的資訊推薦包括一門新出的因果課程，兩個(gè) Causal AI 方面報(bào)告，一篇因果遷移學(xué)習(xí)的論文（正是我們讀書會(huì)本周周末的將要分享主題）。

2.1 Causal AI課程

課程名：Introduction to Causal Inference (ICI)?from a Machine Learning Perspective

這門課程由 Yoshua Bengio 高徒 Brady Neal 主講，主要講述因果推理相關(guān)知識(shí)。此外，該課程整合了來自許多不同領(lǐng)域的見解，如流行病學(xué)、經(jīng)濟(jì)學(xué)、政治學(xué)和機(jī)器學(xué)習(xí)等，這些領(lǐng)域都利用到了因果推理。

課程鏈接：https://www.bradyneal.com/causal-inference-course#course-textbook

【內(nèi)容標(biāo)簽】Causality 因果推理基礎(chǔ)

2.2 Causal AI報(bào)告

報(bào)告名：Symbolic, Statistical and Causal Artificial Intelligence

在 MLSS2020 上，Bernhard Scholkopf 首先簡(jiǎn)單介紹了該機(jī)器學(xué)習(xí)暑期學(xué)校，它將會(huì)涉及從基礎(chǔ)到 state-of-art 的現(xiàn)代機(jī)器學(xué)習(xí)核心主題。然后回顧了人工智能的歷史，指出 Causality 將會(huì)是下一代人工智能的關(guān)鍵。

Bernhard Scholkopf 講座 Causal AI

課程鏈接：https://www.youtube.com/watch?v=8staJlMbAig

【內(nèi)容標(biāo)簽】Causal AI 概覽

報(bào)告名：因果強(qiáng)化學(xué)習(xí)（Causal Reinforcement Learning）

在ICML2020上Elias Bareinboim教授組織了關(guān)于因果強(qiáng)化學(xué)習(xí)的 Tutorial, 介紹了因果和強(qiáng)化學(xué)習(xí)之間的聯(lián)系，并且總結(jié)了因果強(qiáng)化學(xué)習(xí)中的6個(gè)重要的任務(wù)：將在線學(xué)習(xí)和離線學(xué)習(xí)結(jié)合，在強(qiáng)化學(xué)習(xí)中加入合適的干預(yù)，反事實(shí)決策，使用強(qiáng)化學(xué)習(xí)提取因果模型，以及在 Reward 未知的情形下訓(xùn)練強(qiáng)化學(xué)習(xí)模型。

見 ICML2020 https://crl.causalai.net/

【內(nèi)容標(biāo)簽】Causal AI 因果機(jī)器學(xué)習(xí)

2.3 因果遷移學(xué)習(xí)論文

Edmonds M, Ma X, Qi S, et al. Theory-Based Causal Transfer: Integrating Instance-Level Induction and Abstract-Level Structure Learning[C]//AAAI. 2020: 1283-1291.

論文標(biāo)題：基于理論的因果遷移：實(shí)例級(jí)別的歸納及抽象級(jí)別的結(jié)構(gòu)學(xué)習(xí)

摘要：在相近但不同的設(shè)定間學(xué)習(xí)可遷移的知識(shí)是通用智能的基本組成。本文從因果理論的視角來逼近遷移學(xué)習(xí)的挑戰(zhàn)。本文的智能體被賦予兩條基礎(chǔ)但一般性的理論來進(jìn)行遷移學(xué)習(xí)：(i)跨域的任務(wù)間有一個(gè)不變的一般性抽象結(jié)構(gòu)；(ii)環(huán)境表現(xiàn)出的特定特征在跨域時(shí)維持常數(shù)。本文采用了貝葉斯視角的因果理論進(jìn)行歸納，并用這些理論在不同環(huán)境間來遷移知識(shí)。給定這些一般性理論，本文的目標(biāo)是訓(xùn)練一個(gè)可和問題空間交互并探索的智能體來：(i)發(fā)現(xiàn)、構(gòu)建并遷移有用的抽象結(jié)構(gòu)化知識(shí)；(ii)從環(huán)境中觀測(cè)到的實(shí)例級(jí)別屬性中歸納出有用的知識(shí)。貝葉斯結(jié)構(gòu)的層級(jí)被用于建模抽象層面的結(jié)構(gòu)化因果知識(shí)，實(shí)例級(jí)別的相關(guān)性學(xué)習(xí)機(jī)制通過交互來學(xué)習(xí)哪種特定目標(biāo)可以被用于歸納狀態(tài)的改變。這種模型學(xué)習(xí)機(jī)制和一個(gè)基于模型的規(guī)劃器結(jié)合來完成“開鎖”環(huán)境中的任務(wù)，所謂的“開鎖”環(huán)境是指一個(gè)虛擬的“逃脫空間”，空間內(nèi)有復(fù)雜的層級(jí)，要求智能體對(duì)抽象、泛化的因果結(jié)構(gòu)進(jìn)行推理。本文和先前一系列上佳的無模型強(qiáng)化學(xué)習(xí)算法進(jìn)行了比較。強(qiáng)化學(xué)習(xí)智能體在不同的嘗試中顯示出較差的可遷移知識(shí)的學(xué)習(xí)能力。但是本文提出的模型展現(xiàn)出趨近人類學(xué)習(xí)者的性能，更重要的是，展現(xiàn)出在不同的嘗試和學(xué)習(xí)環(huán)境中展現(xiàn)出可遷移的行為。

【內(nèi)容標(biāo)簽】Causal AI 因果機(jī)器學(xué)習(xí)

3. 近期社區(qū)活動(dòng)

2020年11月1日晚8點(diǎn)，因果科學(xué)與Casual AI讀書會(huì)第六期——“潛結(jié)果框架下的因果效應(yīng)估計(jì)”如期進(jìn)行，浙江大學(xué)助理教授況琨作了精彩分享。

因果問題存在于很多領(lǐng)域，如醫(yī)療健康、經(jīng)濟(jì)、政治科學(xué)、數(shù)字營(yíng)銷等。比如一種新的藥物是否比舊的藥物更有療效？一個(gè)新的策略是否能提升銷量？一個(gè)新的政策會(huì)給民眾、經(jīng)濟(jì)和社會(huì)帶來多大的影響？所以這些問題都需要因果推理的技術(shù)來解決。

?

什么是因果，通俗來說，因果在生活中很普遍，“因”其實(shí)就是引起某種現(xiàn)象發(fā)生的原因，而“果”就是某種現(xiàn)象發(fā)生后產(chǎn)生的結(jié)果。但因果性卻很難直接觀測(cè)到，一般在觀測(cè)中會(huì)得到事件之間的相關(guān)性，而在觀察性研究中發(fā)展自動(dòng)統(tǒng)計(jì)方法來推斷因果效應(yīng)是非常困難的。況琨提出了一些在現(xiàn)實(shí)的大數(shù)據(jù)場(chǎng)景中面臨因果效應(yīng)估計(jì)的一些挑戰(zhàn)，包括（1）高維和噪聲變量，（2）變量之間相互作用的未知模型結(jié)構(gòu)，和（3）連續(xù)/復(fù)雜處理變量。為了應(yīng)對(duì)這些挑戰(zhàn)，他們提出了以下的算法：

Data-Driven Variable Decomposition (D2VD) algorithm；

Decomposed Representation Counterfactual Regression (DeR-CFR) model;

Differentiated Confounder Balancing (DCB) algorithm;

Generative Adversarial De-confounding (GAD) algorithm.

相比于當(dāng)前已有的方法，他們提出的這些算法在觀察性研究中可以對(duì)因果效應(yīng)作出更精確和穩(wěn)健的估計(jì)。了解更多詳情：

https://mp.weixin.qq.com/s/Yx5wtwl8efBNQ_S-grKxbA

了解讀書會(huì)具體規(guī)則、報(bào)名讀書會(huì)請(qǐng)點(diǎn)擊下方文章：因果科學(xué)與 Causal AI 系列讀書會(huì) | 眾包出書

?

時(shí)間：9月20日起，每周日晚19:00-21:00，持續(xù)約2-3個(gè)月

模式：線上閉門讀書會(huì)；收費(fèi)-退款的保證金模式；讀書會(huì)成員認(rèn)領(lǐng)解讀論文

費(fèi)用：299元/人

內(nèi)容安排：? ?

?

圖注：針對(duì)讀書會(huì)的主題，由發(fā)起人龔鶴揚(yáng)設(shè)置好了內(nèi)容框架，每個(gè)主題下有一個(gè)負(fù)責(zé)人來負(fù)責(zé)維護(hù)組織相關(guān)內(nèi)容，目前已經(jīng)定好的如圖所示，歡迎對(duì)主題感興趣的聯(lián)系相關(guān)負(fù)責(zé)人，以及來認(rèn)領(lǐng)相關(guān)主題。

因果科學(xué)社區(qū)簡(jiǎn)介：它是由智源社區(qū)、集智俱樂部共同推動(dòng)，面向因果科學(xué)領(lǐng)域的垂直型學(xué)術(shù)討論社區(qū)，目的是促進(jìn)因果科學(xué)專業(yè)人士和興趣愛好者們的交流和合作，推進(jìn)因果科學(xué)學(xué)術(shù)、產(chǎn)業(yè)生態(tài)的建設(shè)和落地，孕育新一代因果科學(xué)領(lǐng)域的學(xué)術(shù)專家和產(chǎn)業(yè)創(chuàng)新者。

???

因果科學(xué)社區(qū)歡迎您加入！

?

因果科學(xué)社區(qū)愿景：回答因果問題是各個(gè)領(lǐng)域迫切的需求，當(dāng)前許多不同領(lǐng)域（例如 AI 和統(tǒng)計(jì)學(xué)）都在使用因果推理，但是他們所使用的語言和模型各不相同，導(dǎo)致這些領(lǐng)域科學(xué)家之間溝通交流困難。因此我們希望構(gòu)建一個(gè)社區(qū)，通過組織大量學(xué)術(shù)活動(dòng)，使得科研人員能夠掌握統(tǒng)計(jì)學(xué)的核心思想，熟練使用當(dāng)前 AI 各種技術(shù)（例如 Pytorch/Pyro 搭建深度概率模型），促進(jìn)各個(gè)領(lǐng)域的研究者交流和思維碰撞，從而讓各個(gè)領(lǐng)域的因果推理有著共同的范式，甚至是共同的工程實(shí)踐標(biāo)準(zhǔn)，推動(dòng)剛剛成型的因果科學(xué)快速向前發(fā)展。具備因果推理能力的人類緊密協(xié)作創(chuàng)造了強(qiáng)大的文明，我們希望在未來社會(huì)中，因果推理融入到每個(gè)學(xué)科，尤其是緊密結(jié)合和提升 AI ，期待無數(shù)具備攀登因果之梯能力的 Agents (Causal AI) 和人類一起協(xié)作，共建下一代的人類文明！

?

如果您有適當(dāng)?shù)臄?shù)學(xué)基礎(chǔ)和人工智能研究經(jīng)驗(yàn)，既有科學(xué)家的好奇心也有工程師思維，希望參與到“因果革命”中，教會(huì)機(jī)器因果思維，為因果科學(xué)作出貢獻(xiàn)，請(qǐng)加入我們微信群：掃描下面社區(qū)小助手二維碼加入（請(qǐng)備注“因果科學(xué)”）????

? ? ? ?

總結(jié)

以上是生活随笔為你收集整理的《因果科学周刊》第2期：如何解决混淆偏差？的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。