因果/可解释+机器(深度)学习+复杂网络

不服不忿
来自: 不服不忿 (上海) 2019-05-31 15:49:12创建   2020-09-16 13:09:48更新
因果推断，机器学习，复杂网络两两集合的资料集
6人
290 人关注
全部(71)
来自：豆瓣日记
种族与警暴：一场因果推断论辩
dawamesk 45人喜欢
前段时间在追一个非常fascinating的论争，争论的关键是美国警察在施用暴力时到底有没有种族歧视。而问题在于使用警察执法的行政记录中包含的警民遭遇，能不能回答关于种族效应的因果问题；能回答具体何种estimand的问题；如果精确的识别不可能，那么如何可以给出因果效应的bound。数月间经济、政治、统计、生统、MSE的因果推论大佬纷纷下场（可惜社会学家再次缺席）。大家的working paper更新太快，我后来也没继续读新的回应，但是这一过程中各个阵营对于因果推断中关于post-treatment conditioning的概念问题多有贡献，而且也展示了很多值得学习的技巧。所以我开个帖把关键的一些往来列一下。 这一波论辩的起源是去年正式发表在JPE上的一篇文章，作者是哈佛经济系的明星黑人经济学家Roland Fryer. Fryer Jr, Roland G. "An empirical...
回复
https://view6.workcast.net/ControlUsher.aspx?cpak=7893749515199787&pak=7155440261855153
评语：two step causal inference视频
回复
https://cran.opencpu.org/web/packages/pcalg/
评语：pcalg图模型因果推断，没有找到具体算法，#待查# 作者Jonas Peters是PCMCI的python包的作者，就是Inferring causation from time series in Earth system sciences这篇改进交叉收敛映射CCM的论文作者。。
回复
https://www.biorxiv.org/content/10.1101/491142v3.full
评语：高斯图模型用于调查数据
回复
https://www.youtube.com/watch?v=pkbLQkqEyQs&list=PLO5mmwQolPRWOpCH-taRlQ3HgYgesNZt3
评语：2018年各种因果推断的实证研究，涉及不同种类的数据，15个视频
回复
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6752884/
评语：多维度的衰老率分级，比如高血压的衰老率，肺的衰老率。。 MultiPhen多表型相关
回复
https://www.nature.com/articles/s42256-020-0177-2
评语：深度强化学习找网络关键节点。。。。作者是系统生物的
回复
https://academic.oup.com/ije/article/49/2/497/5681449
评语：基于反事实方法的自然影响模型（NEM）, Applied mediation analyses: a review and tutorial
回复
https://www.sciencedirect.com/science/article/pii/S2001037019301722
评语：广义倾向指数估计#我需要# Various generalized propensity score estimation methods including Hirano-Imbens, additive spline, and a generalized additive model
回复
https://towardsdatascience.com/inferring-causality-in-time-series-data-b8b75fe52c46
回复
https://aip.scitation.org/doi/full/10.1063/1.5046848%40cha.2018.CIF2018.issue-1
评语：#我需要#Chaos在18年出的动力系统的因果推断，有好多都是第一次听说。。心脏动力学，信息流，大气网络，最有趣的是颠倒实验观察顺序。。。
回复
https://science.sciencemag.org/content/338/6106/496
评语：经典
回复
https://science.sciencemag.org/content/353/6302/922
评语：短时间序列
回复
https://www.nature.com/articles/srep14750
评语：交叉收敛映射，考虑时滞。。
回复
https://academic.oup.com/biostatistics/article/21/2/336/5631847
评语：这是一期特辑，记得之前是读过的，再记录下 https://academic.oup.com/biostatistics/search-results?f_TocHeadingTitle=Special%20section:%20Machine%20Learning%20and%20Causal%20Inference
回复
https://www.nature.com/articles/s41467-020-15195-y
评语：因果网络
回复
https://humboldt-wi.github.io/blog/research/applied_predictive_modeling_19/matching_methods/
评语：PSM利用机器学习最全的资料了。。
回复
https://arxiv.org/abs/1812.04990
回复
https://dl.acm.org/citation.cfm?id=3012704
评语：复杂网络链路预测 2017年的文章
回复
https://academic.oup.com/brain/article-abstract/142/6/1660/5491101
评语：颈肌张力障碍的静息态网络和健康人的网络作比较，方法，#我需要#
回复
https://arxiv.org/abs/1907.03902
评语：定义一种节点和链路的有效信息，将分割后的子图看作节点，网络就缩小了。。把这种作为因果效应。。。#我需要#
回复
https://www.atsjournals.org/doi/abs/10.1164/ajrccm-conference.2019.199.1_MeetingAbstracts.A4055
评语：Probabilistic Causal Models 对copd患者的亚型分层，我在想，这算是分类，有监督，还好办。。如果能在聚类上做文章就很有趣了。。。
回复
https://www.youtube.com/channel/UCTTYLxwxrK5g69gO5quW2vQ/videos
评语：这个频道，疾病都是复杂网络机器学习的NS论文解读，主要是神经科学
回复
https://arxiv.org/abs/1906.03485
评语：网络结构识别隐藏bias
回复
https://link.springer.com/article/10.1007/s10994-018-5768-3
评语：#我需要# 缺反事实，损失函数构建，其实是细分组的策略
回复
<前页 1 2 3 后页>

什么是豆列  · · · · · ·

豆列是收集好东西的工具。

在豆瓣上看到喜欢的内容，都可以收到你自己的豆列里，方便以后找到。

你还可以关注感兴趣的豆列，看看其他人收集的好东西。

这个豆列的标签  · · · · · ·

读书 科学

不服不忿的其它豆列  · · · · · ·  ( 全部 )