最近在多个研究领域都掀起了使用网络数据进行机器学习的浪潮，包括社交网络、应用化学、自然语言处理和计算机视觉等。然而，，由于各种类型的偏差（混杂偏差和选择偏差）嵌入在数据集中，机器学习模型容易适应虚假的相关性。这阻碍了它们直接应用于现实世界的决策。先前的工作已经表明，因果关系是缓解这些机器学习问题的关键。但是，针对网络数据开发的因果机器学习模型仍然缺乏探索。
Frontiers in Big Data杂志近期推出了“基于网络数据的因果推断和机器学习”特刊（Causal Inference and Machine Learning with Network Data），面向相关话题征稿。网址：
https://www.frontiersin.org/research-topics/25541/causal-inference-and-machine-learning-with-network-data#more-text-container-1
征稿截止日期：2022年12月20日
Frontiers in Big Data杂志
| 来源
邓一雪 | 编辑
关于网络数据的因果机器学习，本特刊主要讨论的问题包括：
（1）如何为网络数据开发可推广、可解释和公平的机器学习算法
（2）如何利用机器学习的进步来解决网络数据的因果推理问题可能的方法包括但不限于：
（1）在网络上很好地推广的因果意识机器学习模型
（2）公平且可解释的网络数据机器学习模型
（3）网络数据的因果推理方法
考虑的可能子主题列表包括但不限于：
用于因果推理的图神经网络
网络数据的政策评估和优化
网络数据机器学习模型的可解释性
社交媒体挖掘中的因果关系
网络数据的公平性
图神经网络的推断
降低社交推荐、搜索排名和广告中的偏见
特刊编辑最感兴趣的是接收以下类型的手稿：综述论文、方法文章（包括基准数据集）、假设与理论、研究方案、技术和代码、意见/评论。特刊关键词：因果推理，因果机器学习，无偏机器学习，双机器学习，公平性, 可解释性，网络观测数据，市场实验，因果推断中的干扰，社交网络，引文网络，社交推荐
https://rguo12.github.io/李俊东：弗吉尼亚大学电气与计算机工程系、计算机科学系助理教授。http://www.ece.virginia.edu/~jl6qk/Elena Zheleva：伊利诺伊大学芝加哥分校计算机科学助理教授。https://www.cs.uic.edu/~elena/
由智源社区、集智俱乐部联合举办的
因果科学与Causal AI读书会第三季，主要面向两类人群：如果你从事计算机相关方向研究，希望为不同领域引入新的计算方法，通过大数据、新算法得到新成果，可以通过读书会各个领域的核心因果问题介绍和论文推荐快速入手；如果你从事其他理工科或人文社科领域研究，也可以通过所属领域的因果研究综述介绍和研讨已有工作的示例代码，在自己的研究中快速开始尝试部署结合因果的算法。读书会直播已结束，欢迎加入因果科学社区，回看第三季直播，加入讨论。
详情请见：
因果+X：解决多学科领域的因果问题 | 因果科学读书会第三季启动
