قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
الشبكات البايزية السببية
رسوم بيانية موجهة لا دورية تُنمذج صراحةً العلاقات السببية بين المتغيرات، حيث تمثل الحواف آليات سببية وتمثل العقد المتغيرات، مما يتيح التدخلات والحسابات المضادة للواقع.
مطابقة درجات الميل باستخدام التعلم الآلي
استخدام خوارزميات التعلم الآلي (مثل تعزيز التدرج، الغابات العشوائية) لتقدير درجات الميل بدقة أكبر في سياقات عالية الأبعاد، مما يحسن توازن المتغيرات المشتركة بين المجموعات المعالجة والضابطة.
المتغيرات الآلية مع الشبكات العصبية
نهج يدمج الشبكات العصبية لنمذجة العلاقات غير الخطية المعقدة بين المتغيرات الآلية، المعالجة والنتيجة، متغلبًا على قيود طرق المتغيرات الآلية الخطية التقليدية.
أشجار الاستدلال السببي
أشجار قرار معدلة خصيصًا لتحديد المجموعات الفرعية ذات التأثيرات العلاجية غير المتجانسة، باستخدام معايير تقسيم تستند إلى اختبارات التفاعل بين المعالجة والمتغيرات المشتركة بدلاً من نقاء النتائج.
النماذج السببية العصبية
بنى شبكات عصبية عميقة مصممة لتعلم تمثيلات ثابتة وآليات سببية، تدمج قيودًا هيكلية لضمان قابلية التفسير السببي والمتانة ضد تغيرات التوزيع.
الانحدار المضاد للواقع
طريقة لتعلم التمثيلات تستخدم الشبكات العصبية لتعلم تضمينات متوازنة حيث تكون توزيعات المتغيرات المشتركة المعالجة وغير المعالجة غير قابلة للتمييز، مما يسهل تقدير التأثيرات السببية الفردية.
التعلم الفوقي لتقدير تأثير المعالجة الشرطي (CATE)
إطار عمل خوارزمي يشمل S-learner، T-learner، X-learner، و R-learner التي تستخدم نماذج التعلم الآلي الأساسية ككتل بناء لتقدير متوسط تأثيرات المعالجة الشرطية بطريقة مرنة وغير معلمية.
الغابة العشوائية المتعامدة
امتداد للغابات العشوائية يدمج مبادئ التعامد لتقليل التحيز في تقدير التأثيرات السببية، وهو فعال بشكل خاص في وجود متغيرات مسببة للارتباك عالية الأبعاد ذات تأثيرات غير خطية.
النماذج السببية الهيكلية مع التعلم العميق
دمج الشبكات العصبية العميقة في المعادلات الهيكلية لنماذج SCM لالتقاط العلاقات السببية غير الخطية المعقدة مع الحفاظ على قابلية التفسير والقدرة على التفكير المضاد للواقع.
خوارزميات اكتشاف السببية
خوارزميات (PC, FCI, GES, NOTEARS) تستخدم التعلم الآلي لاستنتاج البنية السببية تلقائيًا من البيانات الرصدية، غالبًا مع قيود التقتير واختبارات الاستقلال غير البارامترية.
المقدرات العصبية المزدوجة المتانة
مقدرات سببية تجمع بين الشبكات العصبية لنمذجة النتائج ودرجات الميل، مما يضمن الاتساق إذا تم تحديد أحد النموذجين بشكل صحيح، وهو مفيد بشكل خاص في الأبعاد العالية.
تقليل المخاطر الثابتة
مبدأ تعلم يبحث عن تمثيلات حيث تظل المتنبئات بالنتيجة ثابتة عبر بيئات مختلفة، ويعمل كوكيل لتعلم آليات سببية قوية ضد التغيرات في التوزيع.
الحساب G مع التعلم الآلي
طريقة تقدير سببية بارامترية تستخدم نماذج التعلم الآلي المتقدمة (تعزيز التدرج، الشبكات العصبية) لتقريب التوزيع الشرطي للنتيجة، مما يسمح بمحاكاة التدخلات وتقدير التأثيرات السببية الهامشية.
اكتشاف تأثير العلاج غير المتجانس
عملية تستخدم خوارزميات التعلم الآلي لتحديد المجموعات الفرعية التي تظهر استجابات علاجية مختلفة بشكل كبير تلقائيًا، وتجمع بين التجميع وتقدير التأثيرات لتخصيص التدخلات.