Глоссарий ИИ
Полный словарь искусственного интеллекта
Ориентированные ациклические графы
Математическое представление причинно-следственных связей, где узлы - это переменные, а ориентированные рёбра указывают на прямое влияние одной переменной на другую. DAGи позволяют визуализировать и анализировать лежащую в основе причинную структуру решений ИИ.
Метод Рубина
Формальная основа для причинного вывода, основанная на потенциальных результатах, где каждая единица имеет гипотетические результаты при разных воздействиях. Эта модель позволяет точно определить причинные эффекты как разности между потенциальными результатами.
Смещение из-за смешивающих факторов
Систематическая ошибка в оценке причинности из-за переменных, которые одновременно влияют на воздействие и результат, создавая ложные ассоциации. Идентификация и контроль смешивающих факторов необходимы для действительного причинного вывода.
Методы сопоставления
Техники сопоставления обработанных и необработанных единиц на основе наблюдаемых характеристик для создания сопоставимых групп в наблюдательных исследованиях. Эти методы позволяют оценить причинные эффекты, устраняя систематические различия между группами.
Разность разностей
Стратегия идентификации причинности, сравнивающая изменения результатов с течением времени между обработанной группой и контрольной группой. Этот метод контролирует общие тенденции и инвариантные во времени характеристики.
Регрессионный разрыв
Квазиэкспериментальный дизайн, использующий пороги воздействия для идентификации локальных причинных эффектов вокруг точек разрыва. Этот метод сравнивает единицы по обе стороны порога для изоляции причинного воздействия.
Критерий Перла
Набор формальных правил, позволяющих определить, можно ли идентифицировать причинный эффект из причинного графа и наблюдательных данных. Этот do-исчисление предоставляет математическую основу для манипулирования причинными выражениями в графических моделях.
Структурные причинные модели
Математические представления, сочетающие структурные уравнения и графы для моделирования генеративных механизмов данных. Эти модели позволяют симулировать вмешательства и вычислять контрфактуальные причинные эффекты.
Гетерогенный эффект лечения
Вариация каузального эффекта лечения в различных подгруппах или у разных индивидов в популяции. Анализ гетерогенности позволяет определить, для кого лечение наиболее или наименее эффективно.
Контрфактуал на основе ближайших соседей
Метод генерации контрфактуальных объяснений, основанный на поиске похожих примеров в пространстве признаков с разными прогнозами. Этот подход предоставляет интуитивные объяснения на основе реальных или близких случаев.
Анализ каузальных путей
Техника, разлагающая общий эффект переменной на прямые и косвенные эффекты через указанные медиаторы. Этот анализ позволяет понять механизмы, посредством которых переменная влияет на результат в системах ИИ.