AI 词汇表
人工智能完整词典
因果贝叶斯网络
明确建模变量间因果关系的定向无环图，其中边表示因果机制，节点表示变量，允许进行干预和反事实计算。
机器学习倾向得分匹配
使用机器学习算法（梯度提升、随机森林）在高维情境下更精确地估计倾向得分，从而改善处理组和对照组之间的协变量平衡。
神经网络工具变量法
整合神经网络来建模工具变量、处理和结果之间复杂非线性关系的方法，克服了传统线性IV方法的局限性。
因果推断树
专门用于识别具有异质处理效应的子群体的改进决策树，使用基于处理-协变量交互测试而非结果纯度的分裂标准。
神经因果模型
设计用于学习不变表示和因果机制的深度神经网络架构，整合结构约束以确保因果可解释性和对分布变化的鲁棒性。
反事实回归
使用神经网络学习表示的方法，学习平衡嵌入，使得处理和未处理协变量分布不可区分，便于估计个体因果效应。
CATE元学习器
包含S-learner、T-learner、X-learner和R-learner的算法框架，使用基础ML模型作为构建块，以灵活和非参数方式估计条件平均处理效应。
正交随机森林
整合正交化原理的随机森林扩展，减少因果效应估计中的偏差，特别适用于存在具有非线性效应的高维混杂因素的情况。
结构因果模型与深度学习
将深度神经网络整合到SCM模型的结构方程中，以捕捉复杂的非线性因果关系，同时保持可解释性和反事实推理能力。
因果发现算法
使用机器学习算法（PC、FCI、GES、NOTEARS）从观测数据中自动推断因果结构，通常采用稀疏性约束和非参数独立性检验。
双重稳健神经估计器
结合神经网络建模结果和倾向得分的因果估计器，确保只要其中一个模型正确设定就能保持一致性，特别适用于高维情况。
不变风险最小化
寻求在不同环境中结果预测因子保持不变的表示学习原则，作为学习对分布变化具有鲁棒性的因果机制的代理方法。
基于机器学习的G-计算
使用先进ML模型（梯度提升、神经网络）近似结果条件分布的因果估计方法，能够模拟干预并估计边际因果效应。
异质性处理效应发现
使用ML算法自动识别对处理有显著不同响应的子组的过程，结合聚类和效应估计以实现干预个性化。