趋近智
高级机器学习系统中的因果推断
章节 1: 结构因果模型与识别策略
因果结构模型回顾
高级图形表示：有向无环图
干预演算规则及应用
标准条件之外的识别
因果图中循环和反馈的处理
识别假设的敏感性分析
实践：应用识别逻辑
章节 2: 高级因果发现方法
基于约束的发现算法：PC、FCI 算法的延伸
基于分数的发现算法：GES、LiNGAM
因果结构发现：使用干预数据
从异构数据中进行因果发现
评估因果发现算法表现
因果关系判定中的潜在变量处理
动手实践：实现发现算法
章节 3: 高维数据下的因果效应估计
双重机器学习用于平均治疗效果
因果森林与异质效应
CATE估计的元学习器
深度学习在效应估计中的应用
高维混杂因素的处理方法
CATE 估计器的验证与校准
实践：DML和因果森林的实现
章节 4: 应对未观测混杂与选择偏差
进阶工具变量（IV）方法
深度学习与核方法用于工具变量
回归不连续性设计 (RDD)
差中差法 (DiD) 与面板数据
调整选择偏差修正方法
近端因果推断原理
实践操作：工具变量 (IV) 与回归不连续设计 (RDD) 分析
章节 5: 时间数据与动态系统的因果推断
时间序列因果推断的难点
格兰杰因果关系：表述与局限
结构向量自回归 (SVAR)
动态治疗方案及其估计
时间序列因果发现方法
因果强化学习与离策略评估
实践：时序因果分析
章节 6: 机器学习流水线中的因果推断实践
特征工程和选择中的因果原则
因果关系感知模型开发
运用因果思路评估机器学习模型
运用因果推断改进 A/B 测试
监控机器学习系统的因果稳定性
为MLOps设计因果推断组件
动手实践：构建因果分析驱动的管道
因果强化学习与离策略评估
这部分内容有帮助吗？
- Doubly Robust Off-Policy Value Estimation for Reinforcement Learning, Nan Jiang, Lihong Li, 2016 International Conference on Machine Learning (ICML) DOI: 10.5555/3045390.3045470 - 这是一篇开创性论文，专门针对强化学习中的离策略评估引入并分析了双重稳健估计器，解决了重要性采样的方差过高问题。
- Causal Inference in Sequential Decision-Making: The Confounding-Bridge Approach, Elias Bareinboim, Andrew Forney, Judea Pearl, 2015 AAAI Conference on Artificial Intelligence, Vol. 29 (Association for the Advancement of Artificial Intelligence (AAAI)) DOI: 10.1609/aaai.v29i1.9344 - 这篇论文为动态系统和序贯决策中的因果推断奠定了理论基础，对于理解强化学习和离策略评估中的因果视角至关重要。
- Proximal Reinforcement Learning: A Causal Framework for Hidden Confounding in RL, Yue Shi, Eric Tchetgen Tchetgen, Ioana Bica, 2022 Advances in Neural Information Processing Systems (NeurIPS), Vol. 35 DOI: 10.48550/arXiv.2206.01429 - 这篇论文引入了近端因果推断方法，以解决强化学习环境中离策略评估和学习中未观测混淆问题。