Glossário IA
O dicionário completo da Inteligência Artificial
Redes Bayesianas Causais
Grafos acíclicos direcionados que modelam explicitamente as relações causais entre variáveis, onde as arestas representam mecanismos causais e os nós as variáveis, permitindo intervenções e cálculos contrafactuais.
Pareamento por Escore de Propensão com ML
Uso de algoritmos de aprendizado de máquina (gradient boosting, random forests) para estimar com mais precisão os escores de propensão em contextos de alta dimensão, melhorando assim o equilíbrio de covariáveis entre grupos tratados e de controle.
Variáveis Instrumentais com Redes Neurais
Abordagem que integra redes neurais para modelar relações não-lineares complexas entre variáveis instrumentais, tratamento e resultado, superando as limitações dos métodos IV lineares tradicionais.
Árvores de Inferência Causal
Árvores de decisão modificadas especificamente para identificar subpopulações com efeitos de tratamento heterogêneos, utilizando critérios de divisão baseados em testes de interação tratamento-covariável em vez da pureza dos resultados.
Modelos Causais Neurais
Arquiteturas de redes neurais profundas projetadas para aprender representações invariantes e mecanismos causais, integrando restrições estruturais para garantir a interpretabilidade causal e a robustez a mudanças na distribuição.
Regressão Contrafactual
Método de aprendizado de representações que utiliza redes neurais para aprender embeddings balanceados onde as distribuições de covariáveis tratadas e não tratadas são indistinguíveis, facilitando a estimação de efeitos causais individuais.
Meta-aprendizes para CATE
Estrutura algorítmica que inclui S-learner, T-learner, X-learner e R-learner, que utilizam modelos ML básicos como blocos de construção para estimar os efeitos de tratamento condicionais médios de forma flexível e não-paramétrica.
Random Forest Ortogonal
Extensão das random forests que integra princípios de ortogonalização para reduzir o viés na estimação de efeitos causais, particularmente eficaz na presença de confundidores de alta dimensão com efeitos não-lineares.
Modelos Causais Estruturais com Deep Learning
Integração de redes neurais profundas nas equações estruturais dos modelos SCM para capturar relações causais não-lineares complexas, preservando a interpretabilidade e a capacidade de raciocínio contrafactual.
Algoritmos de Descoberta Causal
Algoritmos (PC, FCI, GES, NOTEARS) que utilizam aprendizado de máquina para inferir automaticamente a estrutura causal a partir de dados observacionais, frequentemente com restrições de parcimônia e testes de independência não-paramétricos.
Estimadores Neurais Duplamente Robustos
Estimadores causais que combinam redes neurais para modelar os resultados (outcomes) e os scores de propensão, garantindo consistência se um ou outro dos modelos for corretamente especificado, particularmente útil em alta dimensão.
Minimização de Risco Invariante
Princípio de aprendizado que busca representações onde os preditores do resultado (outcome) permanecem invariantes em diferentes ambientes, servindo como um proxy para o aprendizado de mecanismos causais robustos a mudanças de distribuição.
G-computação com ML
Método de estimação causal paramétrica que utiliza modelos avançados de ML (gradient boosting, redes neurais) para aproximar a distribuição condicional do resultado (outcome), permitindo simular intervenções e estimar os efeitos causais marginais.
Descoberta de Efeitos de Tratamento Heterogêneos
Processo que utiliza algoritmos de ML para identificar automaticamente subgrupos que apresentam respostas ao tratamento significativamente diferentes, combinando agrupamento (clustering) e estimação de efeitos para personalizar as intervenções.