Glosario IA
El diccionario completo de la Inteligencia Artificial
Aprendizaje Profundo Causal
Rama del aprendizaje profundo que integra principios de la teoría causal para descubrir y modelar relaciones de causa y efecto en los datos, más allá de las simples correlaciones.
Emparejamiento por Puntuación de Propensión
Técnica donde las unidades tratadas y no tratadas son emparejadas sobre la base de puntuaciones de propensión similares para crear un pseudo-ensayo aleatorizado y estimar el efecto causal.
Red Neuronal Causal
Arquitectura de red neuronal explícitamente diseñada para integrar restricciones o estructuras causales, con el fin de mejorar la generalización y la interpretabilidad de las predicciones.
Descubrimiento de Estructura Causal
Conjunto de algoritmos que tienen como objetivo aprender automáticamente el grafo causal (las relaciones de causa y efecto) a partir de datos observacionales, a menudo basados en pruebas de independencia condicional.
Causalidad de Rubin
Enfoque de la causalidad basado en el modelo de resultados potenciales (potential outcomes framework), donde cada unidad tiene resultados potenciales para cada estado de tratamiento, de los cuales solo uno es observado.
Modelo de Resultados Potenciales
Formalismo donde el efecto causal se define como la diferencia entre los resultados potenciales bajo tratamiento y bajo control para la misma unidad, fundamento de la causalidad de Rubin.
Heterogeneidad del Efecto del Tratamiento (HET)
Variación del efecto causal de una intervención a través de diferentes subpoblaciones o individuos, que los modelos de causalidad profunda buscan estimar con precisión.
Variable Instrumental (VI)
Variable utilizada para estimar un efecto causal en presencia de confusión no medida, correlacionada con la variable de tratamiento pero no directamente con el resultado, excepto a través del tratamiento.