Causal Machine Learning (CausalML) is an umbrella term for machine learning methods that formalize the data-generation process as a structural causal model (SCM). This allows one to reason about the effects of changes to this process (i.e., interventions) and what would have happened in hindsight (i.e., counterfactuals). We categorize work in \causalml into five groups according to the problems they tackle: (1) causal supervised learning, (2) causal generative modeling, (3) causal explanations, (4) causal fairness, (5) causal reinforcement learning. For each category, we systematically compare its methods and point out open problems. Further, we review modality-specific applications in computer vision, natural language processing, and graph representation learning. Finally, we provide an overview of causal benchmarks and a critical discussion of the state of this nascent field, including recommendations for future work.


翻譯:Causal Machinening(Causal Machinening)是機械學習方法的總括術語,將數據生成過程正規化為結構性因果模型(SCM),使人們可以解釋這一過程變化的影響(即幹預)和事後觀察(即反事實)中會發生什麼。我們根據所處理的問題,將\causmal的工作分為五組:(1)因果監督學習,(2)因果分類模型,(3)因果解釋,(4)因果公正,(5)因果強化學習。我們係統地比較其方法,指出未解決的問題。此外,我們審查計算機願景、自然語言處理和圖表表述學習中特定模式的應用。最後,我們概述了因果基準,並批判性地討論了這個新生領域的狀況,包括為未來工作提出的建議。

0
32
下載
關閉預覽

相關內容

多標簽學習的新趨勢(2020 Survey)
專知會員服務
37+閱讀 · 2020年12月6日
【幹貨書】真實機器學習,264頁pdf,Real-World Machine Learning
專知會員服務
88+閱讀 · 2020年4月5日
[綜述]深度學習下的場景文本檢測與識別
專知會員服務
58+閱讀 · 2019年10月10日
機器學習入門的經驗與建議
專知會員服務
61+閱讀 · 2019年10月10日
【哈佛大學商學院課程Fall 2019】機器學習可解釋性
專知會員服務
72+閱讀 · 2019年10月9日
ACM MM 2022 Call for Papers
CCF多媒體專委會
3+閱讀 · 3月29日
IEEE TII Call For Papers
CCF多媒體專委會
2+閱讀 · 3月24日
AIART 2022 Call for Papers
CCF多媒體專委會
0+閱讀 · 2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中國圖象圖形學學會CSIG
0+閱讀 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中國圖象圖形學學會CSIG
0+閱讀 · 2021年11月9日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中國圖象圖形學學會CSIG
0+閱讀 · 2021年7月28日
Hierarchically Structured Meta-learning
CreateAMind
14+閱讀 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
10+閱讀 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
34+閱讀 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字閨中
10+閱讀 · 2018年12月24日
國家自然科學基金
0+閱讀 · 2014年12月31日
國家自然科學基金
0+閱讀 · 2014年12月31日
國家自然科學基金
0+閱讀 · 2013年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
1+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2009年12月31日
Arxiv
42+閱讀 · 2021年5月3日
A Survey on Bayesian Deep Learning
Arxiv
51+閱讀 · 2020年7月2日
Arxiv
92+閱讀 · 2020年2月5日
Few-shot Learning: A Survey
Arxiv
345+閱讀 · 2019年4月10日
Arxiv
11+閱讀 · 2019年1月16日
Arxiv
44+閱讀 · 2018年12月11日
Arxiv
135+閱讀 · 2017年8月1日
VIP會員
文章信息
相關VIP內容
多標簽學習的新趨勢(2020 Survey)
專知會員服務
37+閱讀 · 2020年12月6日
【幹貨書】真實機器學習,264頁pdf,Real-World Machine Learning
專知會員服務
88+閱讀 · 2020年4月5日
[綜述]深度學習下的場景文本檢測與識別
專知會員服務
58+閱讀 · 2019年10月10日
機器學習入門的經驗與建議
專知會員服務
61+閱讀 · 2019年10月10日
【哈佛大學商學院課程Fall 2019】機器學習可解釋性
專知會員服務
72+閱讀 · 2019年10月9日
相關資訊
ACM MM 2022 Call for Papers
CCF多媒體專委會
3+閱讀 · 3月29日
IEEE TII Call For Papers
CCF多媒體專委會
2+閱讀 · 3月24日
AIART 2022 Call for Papers
CCF多媒體專委會
0+閱讀 · 2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中國圖象圖形學學會CSIG
0+閱讀 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中國圖象圖形學學會CSIG
0+閱讀 · 2021年11月9日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中國圖象圖形學學會CSIG
0+閱讀 · 2021年7月28日
Hierarchically Structured Meta-learning
CreateAMind
14+閱讀 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
10+閱讀 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
34+閱讀 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字閨中
10+閱讀 · 2018年12月24日
相關論文
Arxiv
42+閱讀 · 2021年5月3日
A Survey on Bayesian Deep Learning
Arxiv
51+閱讀 · 2020年7月2日
Arxiv
92+閱讀 · 2020年2月5日
Few-shot Learning: A Survey
Arxiv
345+閱讀 · 2019年4月10日
Arxiv
11+閱讀 · 2019年1月16日
Arxiv
44+閱讀 · 2018年12月11日
Arxiv
135+閱讀 · 2017年8月1日
相關基金
國家自然科學基金
0+閱讀 · 2014年12月31日
國家自然科學基金
0+閱讀 · 2014年12月31日
國家自然科學基金
0+閱讀 · 2013年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
1+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2009年12月31日
Top
微信掃碼谘詢專知VIP會員
Top