基于信息视角的因果建模及其在互联网个性化激励增益建模中的应用

发布时间：2024-05-08 18:49

　　锻炼是否有利于降低胆固醇?它是辛普森悖论的一个著名例子,在传统统计学的框架下回答这个问题有诸多困难.困难产生的原因是该问题本质上是因果问题,而传统的统计学回避因果,通过纯统计的工具来回答此问题.近年来,因果之梯的发现和研究让我们有了形式化和系统化的工具来研究因果关系.因果关系的研究可以追溯到2000多年前的亚里士多德,哲学上的休谟问题通俗的来说就是:人类是否能从有限的经验中得到因果律?而因果关系哲学探索中,1999年,Collier首次正式提出了因果关系是信息传递,Illari于2014年在其著作《因果关系:哲学理论遇上科学实践》中指出“因果关系的信息解释将会帮助我们认知和追踪因果关系(Causal Linking),帮助因果推断和推理.”本文从因果关系的信息视角研究因果建模理论和回答因果问题,尤其是有关因果效应估计,探索因果推断在工业界个性化激励中的应用.理论上,do算子建模了干预主义视角因果关系,相应的,我们探索信息因果对应的算子是什么,使用它表示因果效应,研究对应算子演算理论用于识别因果效应;进一步,我们关注的路径因果效应与因果关系信息解释有天然的联系,发展出了基于结构因果模型信...

【文章页数】：120 页

【学位级别】：博士

【部分图文】：

图１．１锻炼身体是否有利于降低胆固醇水平［９６］？??这种问题如此简单常见以至于统计学必须能够回答，但是因为它本质上是因??

近的例子是新冠肺炎（Ｃｏｖｉｄ－１９）死亡率分析［１４６］，我们这里以Ｐｅａｒｌ在其著作??《为什么：因果关系的新科学》［９６］的“锻炼身体是否有利于降低胆固醇水平？”??为案例，见图Ｕ．从左图可以看出在每个年龄组，锻炼身体减少了胆固醇水平，但??是从右图却得出锻炼身体反而增加了....

图２．１?ＳＣＭ框架：结构方程表示因果机制，因果之梯连接机制和现象．??

估计，我们大胆假设现象背后的因果机制，攀登因果之梯，使用Ｌａｕｒｅｚｅｎ想象空间??中的信息决策．英国经验主义哲学家们的一个关键洞见一研究现象背后的因果??机制通常是不可观察的，但它们确实产生了可观察的痕迹（现代术语中“数据”）．??也就是说“因果机制”和它产生的数据从根本上是不....

图２．３因果推断和机器学习的融合，从数据中学习因果关系??

．探索因果关系??能否如何推动领域中问题解决，本文选择直接从数据最为丰富的应用场景，即工??业界的中推荐系统出发．??Ｉ?ｆ?￣￣?＇｜??！?Ｉ?Ｉ??学习因果效应?学习因果结构?结合机器学习??？一无未观测混淆因子?－－传统方法?＂一篮督学习和半监督学习??－－存在未观测混淆....

图６．３统一区分因果森林（ＵＤＣＦ）．??这里的“统一（Ｕｎｉｆｉｅｄ）”是指用一个模型统一的建模多值处理的情况，而“区??分（Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ）”是同一个用户不同档位的激励具备可区分的敏感度．为了适??

?第６章基于增益建模的个性化激励???的，见图６．３．??Ｔｒｅａｔｍｅｎｔ—１?Ｔｒｅａｔｍｅｎｔ＿３?Ｃｏｎｔｒｏｌ??／＊?ｉ?ｉ?ｉ?ｉ?＼??５％?Ｏｆｆ?：?；?７５％?Ｏｆｆ；?．．．?＼Ｄｉｓ〇〇ｕｎｔ??ＧｒｏｕＰ?＼?：?ＧｒｏｕＰ?：?；?Ｇｒｏｕｐ??Ｖ?....

本文编号：3967675