Причинный Python Пять новых идей о причинности на конференции NeurIPS 2023

Python причинности NeurIPS 2023

Новые захватывающие идеи, объединяющие причинность с генеративным моделированием, конформным прогнозированием и топологией.

Изображение от Pixabay на Pexels.com

NeurIPS считается одной из самых важных и престижных конференций по искусственному интеллекту и машинному обучению в мире благодаря своему строгому процессу рецензирования статей и высокому качеству принятых исследований.

С мультидисциплинарным подходом конференция охватывает широкий спектр тем, связанных с разработкой интеллектуальных систем и алгоритмов машинного обучения.

Количество принятых статей, связанных с причинностью, на конференции NeurIPS растет экспоненциально в последние несколько лет.

В этой статье мы представляем пять статей о причинности, принятых на конференции 2023 года, которые привлекли мое внимание, так как вносят важные новые идеи в область.

Обратите внимание, что это субъективный и, безусловно, неполный список. Одна из причин этого заключается в том, что на момент написания NeurIPS все еще не опубликовала полный список принятых статей на конференцию.

Тем не менее, я уверен, что идеи, представленные в нижеприведенных статьях, имеют шанс продвинуть нашу область вперед.

Давайте начнем!

Конформные мета-обучающие алгоритмы

Конформное прогнозирование – это семейство методов оценки неопределенности, изначально предложенных Владимиром Вовком.

Конформное прогнозирование не требует модели (необходимы распределительные предположения) и обеспечивает частотные гарантии покрытия. Другими словами, оно гарантирует, что истинный результат с высокой вероятностью попадет в интервалы (или множества) предсказаний при условии обменности¹.

Рисунок 1. Представление конформных мета-обучающих алгоритмов. Источник: https://bit.ly/44Z9U9L

В своей новой статье Конформные мета-обучающие алгоритмы для предсказательного вывода индивидуальных эффектов лечения, только что принятой на NeurIPS 2022, Ахмед Алаа и его коллеги предлагают новую методику для конформных мета-обучающих алгоритмов.

Их подход позволяет прямое выводное оценивание целевого параметра (индивидуализированный эффект лечения; ITE),…