【导读】ACM SIGKDD（国际数据挖掘与知识发现大会，简称 KDD）是世界数据挖掘领域的最高级别的学术会议，由 ACM 的数据挖掘及知识发现专委会（SIGKDD）主办，被中国计算机协会推荐为 A 类会议。自 1995 年以来，KDD 已经连续举办了26届，今年将于2021年8月14日至18日举办，今年的会议主办地在新加坡。
来自 Microsoft, TripAdvisor, Uber的研究人员在KDD2021上将给出关于因果推理机器学习的教程，非常值得关注!
近年来，无论是学术研究还是行业应用，都越来越多地使用机器学习方法来衡量因果效应，并基于这些因果估计设计最优决策。像CausalML和EconML这样的开源包为应用研究人员和行业从业者提供了一个统一的工具，提供了各种用于因果推理的机器学习方法。本教程将涵盖元学习者和基于树的算法的条件处理效果评估、模型验证和灵敏度分析、优化算法(包括策略简化和成本优化)等主题。此外，本教程将展示在工业用例中生成这些算法。
目录:
因果推理概论
我们将概述因果推理的基本概念。快速回顾一下因果推理的主要工具和术语:相关性vs因果关系、平均、条件和个人治疗效果、通过随机化的因果推理、使用工具变量的因果推理、通过无混淆的因果推理。
介绍CasualML
我们将概述CausalML，这是一个开放源码的Python包，它提供了一套基于最近研究的机器学习算法的提升建模和因果推理方法。我们将介绍CausalML的主要组成部分: (2) 验证/分析方法(如合成数据生成、AUUC、敏感性分析、可解释性)，(3) 优化方法(如策略优化、价值优化、单元选择)。
介绍EconML
我们将概述最近将机器学习与因果推理结合起来的方法，以及机器学习给因果推理估计方法带来的重要统计性能。我们将概述EconML的结构和功能，并描述一些实现的关键因果机器学习方法(例如双机器学习、因果森林、深度iv、双鲁性学习、动态双机器学习)。我们还将概述置信区间构建(例如自举、小袋自举、去偏lasso)、可解释性(形状值、树解释器)和策略学习(双鲁棒策略学习)的方法。
Presenters
Jing Pan, Uber, CausalML
Yifeng Wu, Uber, CausalML
Huigang Chen, Facebook, CausalML
Totte Harinen, Toyota Research Institute, CausalML
Paul Lo, Uber, CausalML
Greg Lewis, Microsoft Research, EconML
Vasilis Syrgkanis, Microsoft Research, EconML
Miruna Oprescu, Microsoft Research, EconML
Maggie Hei, Microsoft Research, EconML
Contributors
Jeong-Yoon Lee, Netflix, CausalML
Zhenyu Zhao, Tencent, CausalML
Keith Battocchi, Microsoft Research, EconML
Eleanor Dillon, Microsoft Research, EconML
参考文献
Künzel, Sören R., et al. “Metalearners for estimating heterogeneous treatment effects using machine learning.” Proceedings of the national academy of sciences 116.10 (2019): 4156-4165. (paper)
Chernozhukov, Victor, et al. “Double/debiased/neyman machine learning of treatment effects.” American Economic Review 107.5 (2017): 261-65. (paper)
Nie, Xinkun, and Stefan Wager. “Quasi-oracle estimation of heterogeneous treatment effects.” arXiv preprint arXiv:1712.04912 (2017) (paper)
Tso, Fung Po, et al. “DragonNet: a robust mobile internet service system for long-distance trains.” IEEE transactions on mobile computing 12.11 (2013): 2206-2218. (paper)
Louizos, Christos, et al. “Causal effect inference with deep latent-variable models.” arXiv preprint arXiv:1705.08821 (2017) (paper)
专知便捷查看
便捷下载，请关注专知人工智能公众号（点击上方蓝色专知关注）
专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！
点击“阅读原文”，了解使用专知，查看获取5000+AI主题知识资源
