Глоссарий ИИ
Полный словарь искусственного интеллекта
Каузальные байесовские сети
Направленные ациклические графы, явно моделирующие причинно-следственные отношения между переменными, где рёбра представляют каузальные механизмы, а узлы - переменные, позволяя проводить вмешательства и контрфактуальные вычисления.
Согласование по склонности с использованием машинного обучения
Использование алгоритмов машинного обучения (градиентный бустинг, случайные леса) для более точной оценки склонности в условиях высокой размерности, улучшая баланс ковариат между обработанными и контрольными группами.
Инструментальные переменные с нейронными сетями
Подход, интегрирующий нейронные сети для моделирования сложных нелинейных отношений между инструментальными переменными, лечением и результатом, преодолевая ограничения традиционных линейных IV-методов.
Деревья каузального вывода
Модифицированные деревья решений, специально разработанные для идентификации подпопуляций с гетерогенными эффектами лечения, использующие критерии разделения на основе тестов взаимодействия лечения-ковариат, а не на чистоте результатов.
Нейронные каузальные модели
Архитектуры глубоких нейронных сетей, разработанные для обучения инвариантных представлений и каузальных механизмов, интегрирующие структурные ограничения для обеспечения каузальной интерпретируемости и устойчивости к изменениям распределения.
Контрфактуальная регрессия
Метод обучения представлений, использующий нейронные сети для изучения сбалансированных встраиваний, где распределения ковариат обработанных и необработанных неразличимы, облегчая оценку индивидуальных каузальных эффектов.
Мета-обучатели для CATE
Алгоритмическая структура, включающая S-learner, T-learner, X-learner и R-learner, которые используют базовые модели машинного обучения как строительные блоки для оценки средних условных эффектов лечения гибким непараметрическим способом.
Ортогональный случайный лес
Расширение случайных лесов, интегрирующее принципы ортогонализации для уменьшения смещения в оценке каузальных эффектов, особенно эффективное при наличии высокоразмерных конфаундеров с нелинейными эффектами.
Структурные причинно-следственные модели с глубоким обучением
Интеграция глубоких нейронных сетей в структурные уравнения SCM моделей для захвата сложных нелинейных причинно-следственных связей с сохранением интерпретируемости и способности контрфактуальных рассуждений.
Алгоритмы обнаружения причинных связей
Алгоритмы (PC, FCI, GES, NOTEARS), использующие машинное обучение для автоматического вывода причинной структуры из наблюдаемых данных, часто с ограничениями простоты и непараметрическими тестами независимости.
Дважды робастные нейронные оценки
Причинные оценки, объединяющие нейронные сети для моделирования исходов и propensity scores, гарантирующие состоятельность, если один из моделей правильно специфицирован, особенно полезные в высоких размерностях.
Инвариантная минимизация риска
Принцип обучения, ищущий представления, где предикторы исхода остаются инвариантными в различных средах, служащий прокси для обучения причинным механизмам, устойчивым к изменениям распределения.
G-вычисление с машинным обучением
Метод параметрической оценки причинных эффектов, использующий продвинутые модели ML (gradient boosting, нейронные сети) для аппроксимации условного распределения исхода, позволяющий симулировать вмешательства и оценивать предельные причинные эффекты.
Обнаружение гетерогенных эффектов лечения
Процесс, использующий алгоритмы ML для автоматической идентификации подгрупп с значимо различными откликами на лечение, сочетающий кластеризацию и оценку эффектов для персонализации вмешательств.