Yoshua Bengio 等人基于学习器适应新分布的速度提出一种元学习因果结构，假设新分布由干预、智能体动作以及其它非稳态（non-stationarity）导致的稀疏分布变化引起，由此得出“正确的因果结构选择 会使学习器**更快地适应修改后的分布**”。该假设的研究将“适应修改后分布的速度”作为元学习的目标，表明“这可用于决定两个观测变量之间的因果关系”。研究结论的价值即特点和优势发现是，分布变化无需对应标准干预，学习器不具备关于干预的直接知识。因果结构可通过连续变量进行参数化，并以端到端的形式学得。研究探讨了想法的如何应用，来满足“独立机制 以及 动作和非稳态 导致的 机制内微小稀疏变化 ”的假设。

本文为大家奉上NeurIPS 2020必读的六篇因果推理（Causal Inference）相关论文——Covid-19传播因果分析、反事实概率方法、因果图发现、因果模仿学习、弱监督语义分割、不确定性因果效应。

神经发育障碍（NDD）包括发育性脑功能障碍，可表现为神经精神问题或运动功能受损，学习，语言或非语言交流，即智力障碍，注意力缺陷多动障碍，交流障碍，癫痫症，情绪障碍等。这项研究希望揭示一个事实，即母亲和胎儿是一个整体，任何影响母亲的因素都会影响孩子。 该研究的目的是发现产前母亲情绪状态与神经发育障碍的因果关系。 获得了60例神经发育障碍（NDD）的样本，该疾病具有紧张的产前母亲情感史。 适当的诊断工具，例如范德比尔特ADHD诊断父母评分量表，筛查与儿童焦虑相关的情绪障碍（SCARED），发育筛查测试（DST），Vinland社会成熟度量表（VSMS）和基本的智商测试，例如画人测试，瞪羚绘图，使用Seguine模板（SFB）测试等对每个NDD进行特定诊断。 引起了有关产前史的详细信息，例如家庭压力源，财务问题，人际关系和任何其他压力事件。 不仅引起了压力事件/情境，而且还引起了母亲在怀孕期间做出的反应/情绪的类型。 引起NDD的最常见情绪是产前期的焦虑/忧虑/恐惧，约为41.66％。 在大多数情况下，不同的情绪也混杂在一起。 根据这项研究，发现母亲在怀孕期间产生这种负面情绪的最常见原因是由

smoking.csv 99提案

因果发现工具箱是一个用于在图形中以及在Python> = 3.5的成对设置中进行因果推断的程序包。 包括用于图形结构恢复和依赖性的工具。 该软件包基于Numpy，Scikit-learn，Pytorch和R。 它主要基于观察数据，实现了许多用于图结构恢复的算法（包括来自bnlearn ， pcalg包的算法）。 使用pip安装它：（请参阅下面的安装详细信息） pip install cdt Docker镜像 Docker映像可用，包括所有依赖项和启用的功能： 科 主 开发者 Python 3.6-CPU Python 3.6-GPU 安装 这些软件包需要python版本> = 3.5，以及一些在列出的库。 对于某些其他功能，需要更多的库才能使这些附加功能和选项可用。 这是该软件包的快速安装指南，从最小安装到完整安装开始。 注意：（mini / ana）conda框架将帮助安装所有这些软件包，因此建议非专业用户使用。 安装PyTorch 由于cdt软件包中的某些关键算法使用PyTorch软件包，因此需要安装它。 请访问他们的网站以安装适合您的硬件配置的PyTorch版本：

邱嘉平因果推断实用计量方法

一、因果的维纳预测器 图7-6就是维纳预测器的模型，N>0， 是希望得到的输出，而 表示实际的估计值。 图7-6维纳预测器 本节和上节一样着重讨论预测器的系统函数以及预 测的均方误差，维纳预测器和维纳滤波器比较类似， 因而分析方法也都可以借鉴前面的内容。

因果框架 HPCC系统因果关系框架目前正在开发中。 该存储库提供了一个Python模块，该模块实现了因果模型表示，验证，因果推理以及最终反事实推理的所有相关算法。 它具有综合的数据生成功能，可用于测试算法并针对各种情况探查其功能。 该存储库可用作独立的Python框架。 它还将用于为HPCC Systems超级计算集群上的并行因果框架提供本地处理。 有关因果关系，因果推断以及各种因果算法的详细信息，请参见下面的参考部分。 安装 先决条件 Python3 麻木 matplotlib 程序 克隆存储库 将您的存储库添加到pythonpath或在存储库中工作。 因果方法 cGraph.py （因果图）是系统的心脏。 它接受一个多元数据集以及一个因果模型（也称为路径图），该模型被认为与产生数据的因果过程相对应。 因果模型是有向无环图，它代表了因果过程的最佳假设，该假设是所提供数据集生成的基础。

因果关系审查 代码（python），图形和数据，用于评估双变量时间序列数据的因果关系指标的性能。 这篇评论是在Lungarella等人以前的工作之后进行的。 （2007）。 该评价中包括的方法是： 扩大的格兰杰因果关系（Chen et al。2004） 非线性格兰杰因果关系（Ancona et al。2004） 可预测性的提高（Feldmann和Bhattacharya 2004） 转移熵（直方图划分和Kraskov-Stögbauer-Grassberger估计）（Schreiber 2000，Kraskov et al。2004） 有效传递熵（直方图划分）（Marschinski和Kantz，2002年） 粗粒度的信息传递率（Palus等，2001） 相似指数（Arnhold等1999，Bhattacharya等2003） 收敛交叉映射（Sugihara et al.

论文名称：Detecting and quantifying causal associations in large nonlinear time series datasets 作者：Jakob Runge 主要内容：PCMCI算法的提出 因果推断算法 可以处理高维度、强子相关、非线性数据