https://www.bradyneal.com/causal-inference-course 这个课程的笔记

因果性是人工智能中重要的研究课题，在多数真实场景中都离不开因果关系。本文来自Julian Schuessler讲述了因果图（Causal Graphs），期待感兴趣的研究者及时下载学习。

因果启发的推荐系统

在这篇演讲中，我将介绍因果人工智能(因果结构学习、因果推理、反事实推理、因果表征学习和因果迁移学习)在解决计算机系统中几个重要而突出的挑战方面的最新进展。接下来，我将介绍我们的因果AI方法，用于在高度可配置的组合系统中进行鲁棒的性能工程(性能调试、性能优化和性能预测)。特别地，我将介绍在设备上ML系统和大数据分析管道中识别和修复性能故障的最新结果。最后，我将讨论因果AI在测试自主机器人和动态重构无服务器系统和微服务方面的未来方向和机会。 视频地址： https://www.youtube.com/watch?v=csB_cF6MA9A

格兰杰因果matlab代码时间序列中的Granger因果推理，用于识别睡眠中的分子指纹 该存储库包含在SLIMMBA项目中实现的代码（通过呼吸分析监测睡眠和光诱导代谢）。 我们使用格兰杰因果关系的概念研究了代谢与睡眠之间的依赖性，并设计了一种基于神经网络和自举法推断非线性格兰杰因果关系的技术。 通常，我们考虑的问题可以如下形式化。 我们假设我们获得了从不同实验单位（在这种情况下为单个个体，即受试者）检索到的多元时间序列的N个副本。 这些多元时间序列包括： 分类值目标变量Y ，代表T个时间段内的睡眠阶段。 M个连续值的离子强度时间序列X j ，其中j = 1，...，M 。 然后的目的是鉴定与睡眠阶段相关的代谢产物，即驱动睡眠阶段的代谢产物和由该阶段驱动的代谢产物。 贡献者 RičardsMarcinkevičs（） ĐorđeMiladinović（） 背景 人类睡眠与新陈代谢之间的关系尚未得到系统的研究和充分理解。 我们在格兰杰因果关系的框架下研究了睡眠阶段与呼气质谱之间的关系。 我们使用可扩展的神经网络方法来推断连续值和分类值变量之间的非线性Granger因果关系。 我们在具有不同

Judea Pearl的2018年新书，关于Causal Inference。是一本科普书，但是内容挺翔实的，是本不错的因果推理入门。

因果图是设计测试用例的一种工具，着重检查各种输入的组合能够造成什么样的输出。前面几种方法并没有考虑到条件输入组合的情况。 要检查输入条件的组合，应首先把所有的输入条件划分成等价类，他们之间的组合情况通过因果图把用自然语言描述的功能说明转换成判定表，最后通过判定表来检查程序输入条件的各种组合情况。

一种基于模糊因果聚类的室内热舒适预测方法.pdf

基于因果模糊聚类法预测覆岩裂隙带高度研究.pdf

【干货书】《因果推理导论-机器学习角度》，132页pdf 有几个主要的主题贯穿全书。这些主题主要是对两个不同类别的比较。当你阅读的时候，很重要的一点是你要明白书的不同部分适合什么类别，不适合什么类别。 统计与因果。即使有无限多的数据，我们有时也无法计算一些因果量。相比之下，很多统计是关于在有限样本中解决不确定性的。当给定无限数据时，没有不确定性。然而，关联，一个统计概念，不是因果关系。在因果推理方面还有更多的工作要做，即使在开始使用无限数据之后也是如此。这是激发因果推理的主要区别。我们在这一章已经做了这样的区分，并将在整本书中继续做这样的区分。 识别与评估。因果效应的识别是因果推论所独有的。这是一个有待解决的问题，即使我们有无限的数据。然而，因果推理也与传统统计和机器学习共享估计。我们将主要从识别因果效应(在第2章中,4和6)之前估计因果效应(第7章)。例外是2.5节和节4.6.2,我们进行完整的例子估计给你的整个过程是什么样子。 介入与观察。如果我们能进行干预/实验，因果效应的识别就相对容易了。这很简单，因为我们可以采取我们想要衡量因果效应的行动，并简单地衡量我们采取行动后的效果。观测数据变得更加复杂，因为数据中几乎总是引入混杂。 假设。将会有一个很大的焦点是我们用什么假设来得到我们得到的结果。每个假设都有自己的框来帮助人们注意到它。清晰的假设应该使我们很容易看到对给定的因果分析或因果模型的批评。他们希望，清晰地提出假设将导致对因果关系的更清晰的讨论。