から引用しました。3, マッチング手法
マッチングは、ビジネスで広く使用されている因果分析手法であり、主に問題が発生した場合に問題を解決するために使用されます。実験グループと対照グループが何らかの理由で比較できない場合 (交絡因子)、実験グループの各ユーザーは、特定の特性 (CEM 粗粒度マッチング) または介入を受け入れる確率 (傾向) において最もよく似ているユーザーと照合されます。スコア) ) 最も類似した (PSM 傾向スコア マッチング) コントロール グループ ユーザーを抽出し、比較可能な実験グループとコントロール グループを再作成します。マッチングはAB/RCT（ランダム化比較試験）のランダム実験に最も似た手法で、操作方法も比較的似ており、結果も非常に直感的です。さらに、マッチングは治療効果を推定するノンパラメトリックな方法であり、一般的な線形パラメトリック モデルの仮定の影響を受けません。サンプルをマッチングすることで、新機能の普及率が低い問題を解決するためによく使用される二重差分法も使用できます。近年、傾向スコアのマッチングをより正確にするために、主に機械学習モデルと組み合わせたマッチング手法の開発が行われていますが、同時に、ここでの考え方は他のいくつかの因果関係手法や機械学習モデルの修正にも適用されています。内容については後述します。
4, シリアル手法とパネルデータの開発
近年、パネルデータの因果推論には多くの新しい方法があります。まず、従来のパネル データ手法を確認してみましょう。
#最も一般的に使用される方法は、二重差分法です。最も単純な差分の差は、グループ間の差を制御し、それを回帰モデル yit=α0 α## の形式で記述することです。 #1治療 i α2投稿 t α3治療 i*投稿 。ここで、Treati#=1 は、個人が介入されたかどうかを表します。 #= 1 は介入後の観察期間を表します。次の表から、α2 α3 が次のとおりであることがわかります。実験群 実験日前後の差分値、α2 は、対照群の実験日前後の差分値です。これら 2 つの項目の差により、α3 は因果効果の推定値であり、上記のモデルの交互作用項の係数でもあります。は 2 つの違いの結果です。 #差分法は、比較的厳密な仮定に基づいています。 「平行傾向」は最も重要な前提であり、政策介入前の実験群とベンチマーク群のアウトカム指標の平均値は時間の経過とともに安定しており、これは政策以外の他の要因の影響が少ないことを示している。介入自体は実験群でもベンチマーク群でも同じです。時間傾向プロットを使用して並列仮説をテストでき、一部の統計的推論パッケージも対応する関数を提供します。並列テストが失敗した場合は、回帰に制御変数または時間傾向項を追加することで、さらなるテストを実行できます。場合によっては、三重差分法の助けを借りて解決することもできます。さらに、実際には、二重差分法を実装する方法は数多くあります。上記の方法以外に、「双方向固定効果モデル」の設定も採用可能です。 Y
it
=τTreat
it Xit β αi ξt εit, ただし、強力な仮定にも依存しています。つまり、変化する交絡因子はありません。過去の実績が現在の治療状況に影響を与えず、政策の治療効果も変わらないことが求められます。その背後にある理論と手法の限界、およびマッチングや再重み付けなどの拡張された新しい手法については、スタンフォード大学の Xu Yiqing 教授が教えるコースと併せて学習することをお勧めします。 ## https://yiqingxu.org/teaching/ ここでは、より一般的に使用されるもののいくつかをリストします。新しいメソッド:
総合制御法は、パネルデータの因果推論法から派生した一連の手法であり、新しい推定または統計的推論の検証研究が常に登場しています。グループまたは地域で介入が実施される場合、実験グループは 1 つの時点で 1 つの観測値しか持たず、地域のプロモーション活動を行っている都市など、データの期間が長くなります。差分法は適していませんが、現時点では合成制御法を採用することができます。原理は、いくつかの対照都市を選択し、それらを介入前の実験グループに非常によく似た「仮想対照グループ」に当てはめることです。近年の詳細な理論的導入と最適化については、米国のアベルト・アバディ教授の研究を参照してください。マサチューセッツ工科大学とその共同研究者による論文 (Abadie、Diamond、Hainmueller 2010) およびさらなる研究のための NBER での短期コース:
https:// www.nber.org/lecture/2021-Summer-institute-methods-lecture-alberto-abadie-synthetic-controls-methods-and-practice
二重微分法と合成制御 実際、すべての法則は一連の分析フレームワーク システム内で統一できます。 Arkhangelsky et al. (2021) による研究では、差分の差分は個人や時間の重み付けを行わずに二元固定効果回帰問題を解決するのに対し、合成制御法は政策介入が行われる前に個人に重み ω を適用して適合することを指摘しました。この論文は、個人の重み ω と時間の重み λ の両方を含む合成二重差分 (SDID) という 2 つの方法を組み合わせて新しい推定量を提案し、推定量全体のロバスト性を向上させます。ここでの時間重み λ は、介入後の期間に類似するデータ期間に高い重みが与えられると理解できます。
いくつかの方法の比較: Arkhangelsky et al. の論文からの画像 ( 2021)
パネル データをマトリックス補完手法と組み合わせて因果推論を行うこともできます。これは、この分野における近年の新しい開発でもあります。行列補完アルゴリズムは、凸最適化問題を解くことによって、因果推論が直面する反事実データの欠落の問題を解決します。この方法は、個人が一貫性のないポリシー介入時間にさらされる状況に適しています。たとえば、製品を反復して有効にするためにはユーザーが製品バージョンを更新する必要があるが、ユーザーの更新時間が一貫していない場合などです。詳細な方法理論については、Athey et al. (2021) などの関連論文を参照してください。ランダム介入下での行列補完、合成制御、回帰予測手法も最適化問題の枠組みで統合することができ、複数の手法をアンサンブル方式で組み合わせて、よりロバストな推定結果を取得することもできます (Athey et.al 2019) 。
マトリックス完成図: この図は AEA の Guidon Imbens のコースからのものです。W は治療ステータスを表します https: //www.aeaweb.org/conference/cont-ed/2018-webcasts
上記のこのセクションでは、パネル データの因果関係の主な方法を紹介しました。推論と進歩というように、この分野は非常に多様な手法があり、進歩も早い分野ですが、実際にさまざまな政策をより正確に評価するためには、手法の背後にある前提や限界について利用者が十分に考える必要があります。スペースの制限があるため、ここでは非常に簡単な紹介のみを行います。
#5, 異種因果関係の手法のレビュー
機械学習との組み合わせ異種因果関係の研究は、実際、近年の因果推論の開発におけるトレンドです。まず不均一因果効果を紹介しましょう。不均一処理効果 (HTE) とは、サンプルの異なる個々の特性により、実験が個人に異なる効果をもたらす現象を指します。数式と組み合わせて表現すると、HTE にはさまざまな形式があります:
各個人の因果効果 ITE (個人治療効果): τi=Yi1-Yi0、Y 1 つだけi1 と Yi0 の 2 つは観測できますが、もう 1 つと τi は特定のモデル手法を通じて推定する必要があります。
特定の特性に対するグループの平均因果効果。ここでは特性を表すために X を使用します。その場合、推定される CATE (条件付き平均治療効果) は制限されます。特性の特定の値を持つ母集団に対する平均因果効果: τ(x)=E[Y1-Y0|X=x]。
#HTE の分析手法には現在、幅広い応用シナリオがあります。 HTE を通じて、特定の戦略的介入に最も反応するグループの特徴を知ることができ、A/B テスト戦略のメカニズムを調査する際に、期待される効果があるか、効果がないのかを調査するのにも役立ちます。戦略の中のさまざまなパーソナライゼーションに適用されます。異種因果関係推論手法は、業界やインターネットで多くの応用例があります。たとえば、トリップアドバイザーは会員登録インセンティブの測定に使用されています。マイクロソフトは、この手法と短期データを使用して、さまざまなプロジェクトの長期 ROI を測定しています。詳細な応用例は次のとおりです。 2021 年度 KDD トレーニング コース (https://causal-machine-learning.github.io/kdd2021-tutorial/) を参照してください。
#不均一因果関係の最も一般的な方法は、実際には実験分析で一般的に使用される多次元分析ですが、多次元分析の使用には次の問題に対する注意が必要です。複数のテスト。同時に、十分な寸法がある場合、実験サンプル サイズに対する要件が比較的高く、分析効率は比較的低くなります。機械学習手法は、効率を向上させるためのいくつかのマイニング手法を提供します。その利点は、異種因果関係の分布を適応的に学習でき、厳密な関数形式の仮定を必要としないことです。線形回帰に基づく従来の計量経済手法よりも優れています。または多次元分析です。方法はより強い自由度を持っていますが、技術的な課題は統計的推論をどのように行うかです。近年、機械学習と計量経済学の組み合わせの深化に伴い、この分野では多くの手法が考案され、応用されていますが、ここでは以下の手法に焦点を当てます。これらの手法の基本的な前提はすべて条件付き独立性の仮定です。 （条件付き独立性の仮定）、つまり、さまざまな交絡変数が十分に制御されている場合にのみ、因果効果の比較的正確な推定値を取得できます。
コーザル フォレスト: ランダム フォレストに基づいて、フィッティング推定を直接実行するノンパラメトリック手法です。因果ツリーの主な推定ロジックは、各葉に対する因果効果を定義することによってツリー全体の損失関数を定義することです。因果ツリーは、X を分割する特定の方法に従って、すべての葉の損失の合計を最大化することを目的としています。機械学習のツリー アルゴリズムとは異なる推定目標に加えて、因果推論アルゴリズムでは、トレーニング セットのサンプルが一般にトレーニング セットと推定セットに分割されるという違いもあります。トレーニング セットはリーフ分割に使用され、推定セットはリーフ分割に使用されます。葉を切った後の各葉ノードに対する平均処理効果を計算します。因果関係ツリーの利点は、結果が非常に簡潔で理解しやすいことです。バケット化を通じて、実験効果に明確な違いがある人々のグループを直接特定できます。多くの場合、最初にバケット化された指標が因果効果の差の最大の次元になります。 。ただし、因果ツリーは過学習になりやすいため、実際の作業では因果ランダム フォレストを使用することをお勧めします (詳細については、Athey and Imbens 2016、Wager and Athey 2018 を参照してください)。統計的推論のプロパティ。この手法の拡張については、Athey, Tibshirani and Wager (2019) や Friedberg et al. (2020) などの研究成果を参照してください。これらの新しい手法は、交絡変数がある場合の問題にさらに対処し、結果をよりスムーズに推定できます。 。
メタ学習者: 因果ツリーを使用して因果効果を直接推定するモデルとは異なり、これは間接推定モデルの一種です。結果変数 Y を直接モデル化します。したがって、メタ学習器は推定された HTE を統計的推論に直接使用することはできませんが、実際のアプリケーションでは、一部の研究者はブートストラップを使用してこの問題を解決します。メタ学習者の推定アルゴリズムには、T-Learner、S-Learner、X-Learner の 3 種類があります。 3 つの方法の基本的な違いは次のとおりです。
最も単純なのは S-learner です。介入変数を 1 回限りのモデリングの特性変数として使用します。これは、治療変数と結果変数に強い相関がある状況に適しています。そうでない場合、モデルは、介在変数の変化によって引き起こされる結果の変化を識別できません。
少し複雑なものは T-learner です。 2 つのモデルに実験グループの Yi1 と対照グループの Yi0 をそれぞれ学習させることで因果効果を特定します。実験に多くの変数がある場合の使用に適しています。グループとコントロール グループ、およびより平均的なモデルを使用する場合、モデルの 1 つがより正規化されます。
XX 学習者は、2 つの方法を使用する比較的新しい方法です。ステップ 傾向スコアを推定して使用してバイアスを修正すると、データ量が少ない場合に、より適切な推定を行うことができます (詳細については、Künzel et al. 2019 を参照)。
DML と DRL に基づく見積もりフレームワーク: これら 2 つのフレームワークを Microsoft の Econml ツールと組み合わせて紹介します:
https://www.microsoft.com/en-us/research/project/econml/
##DML (Double Machine Learning) デュアル機械学習は、高次元の交絡変数の存在下で、変数、処理変数、結果変数間の関係を柔軟に混同するフレームワーク手法であり、その名のとおり因果関係を推定します。効果は主に 2 つのステップに分かれています。最初のステップでは、2 つの (必ずしも同じではない) 機械学習モデルを使用して、2 つの条件付き期待値 E(Y|X,W) と E(T|X,W) をそれぞれ推定します。次に残差を受け取ります。ここで、X と W は両方とも交絡変数ですが、CATE では X のみが関連変数です。第 2 ステップは残差に基づいて ATE または CATE を推定することであり、CATE を推定する場合、T-E(T|X,W) の残差に X に関する関数 θ(X) を乗じて推定します。 ATE の推定方法については、Chernozhukov et al. (2018) を参照してください。 Econml は、2 番目のステップで選択できる多くのモデルを提供します: LinearDML (OLS モデルを使用)、DML (カスタム モデルを使用)、CausalForestDML (因果関係のあるランダム フォレストを使用)... DML フレームワークを使用する場合は、2 つのモデルの残差項の平均が 0 から大きく乖離していないか、有意な相関があるかどうかを確認する必要がありますが、そうであれば、交絡変数が十分に制御されていない可能性があります。
DRL フレームワークは、二重ロバスト方式に基づいており、これも 2 つのステップに分かれています。最初のステップでは、X、W、T を使用して Y、そして予測値を gt(X,W) として定義します; 2 番目のステップでは、分類モデルを使用して X と W を使用して T を予測し、次の結果を取得します。傾向スコア。pt(X,W) として定義されます。ここでの T は離散変数であり、ある種の回帰ベースのモデル gt(X,W) に制限されることに注意してください。 2 ステップの結果の後、調整された結果変数が計算されます:
続いて調整された Y #i,tDR## 実験グループと対照の間の差異 Y# を見つけますグループ ##i1DR-Yi0DR、X を返して CATE を取得します。 DRL が二重ロバストと呼ばれる理由は、上記の式で gt(X,W) および p であるためです。 t(X, W) の 1 つの推定値が正しい限り、因果効果の推定値には偏りはありません。ただし、両方のモデルの推定値が間違っている場合、結果として生じる誤差は非常に大きくなる可能性があります。 DML と同様に、Econml の DRL のさまざまな学習者の違いは、Yi1DR に適合させるためにどのような種類のモデルが使用されるかです。 #-Yi0DR# ＃。 機械学習モデルに基づく異種因果推論手法のアプリケーションにおける最大の課題は、実際には、適切な機械学習モデルを選択し、比較的堅牢な推定結果を得るためにパラメータを調整する方法です。アプリケーションの経験と最近の研究に基づいて、次の注意事項があります:
- トレーニング サンプル サイズが十分に大きいことを確認してください。
-
Econml ツールを使用する場合は、score* 関数を使用してモデルを選択することをお勧めします (スコアが小さいほど、モデルは優れています)。ただし、すべてのモデルにこの機能があるわけではありません。たとえば、DML はあるが X-Learner や Causal Forest がないなどです。 Uber の Causalml を使用する場合、累積ゲイン チャートを使用してさまざまなメタ学習者のパフォーマンスを比較できます。
https://github.com/uber/causalml 。
- HTE で統計テストを実行できるメソッドもありますが、実行できないメソッドもあります。 Econml では、HTE の統計検定に使用できる手法は、DML/DRL の最終ステップ モデルを線形モデルまたは因果フォレストに設定する手法に限定されますが、特徴変数 X と実験変数 T は多くのビジネス シナリオでは非線形に関連しています。線形モデルを強制すると、HTE 推定のバイアスが生じる可能性があります (たとえば、HTE の変動性は X とは関係がなく、単なるノイズです)。重大な HTE を有する個人がその後の分析のためにスクリーニングされる場合、個別の影響試験に対する複数の試験補正が必要です。
- モデルの適合度に加えて、HTE 推定の品質を測定するための基準も必要です。たとえば、HTE の変化範囲が敏感なグループとそうでないグループを区別するのに十分な大きさであるため、Chernozhukov et al. (2018) によって提案された HTE 特徴に基づく統計的推論を参照できますが、これも非常に簡単に適用できます。
上で紹介した方法は、基本的に、介在変数の下での静的な異種因果効果に焦点を当てています。しかし、実際のアプリケーションでは、より複雑な問題が発生します。たとえば、複数の介在変数が関係します。製品によってユーザーに提供される補助金インセンティブには、サインイン インセンティブと他のタスクに対する報酬の両方が含まれる場合があります。さまざまな種類のインセンティブの配分のバランスをとる方法は、異種因果関係構築として定義できます。複数の介在変数のモデリングと最適化の問題。もう 1 つの例は、動的な因果効果であり、交絡変数が異なる時点での介入によって変化します (Lewis and Syrgkanis 2020 を参照)。インセンティブ タスクを例に挙げると、これらのタスクにより、ユーザーが新しいアンカーに注意を払うようになり、コンテンツの視聴の好みが変わり、その後のインセンティブの効果にも影響を与える可能性があります。これらの複雑なシナリオは、さまざまな手法のさらなる拡張に影響を与えており、将来的にはより確立された体系的な研究と応用が生まれることにも期待しています。
構造因果モデル
前のセクションでは、潜在的な結果モデルの主要なアイデアと方法論の開発について紹介しました。このタイプの流派手法は統計理論が比較的完成しており、比較的正確な推定結果が得られます。ただし、変数間の相関度 1 の影響を推定する場合にのみ使用できる (つまり、1 つの従属変数といくつかの独立変数のみが許可され、間接的な効果のリンクは推定できない) という制限があります。多くの変数間のリンクと複雑な関係には、別の流派の構造因果モデル手法の使用が必要です。
構造因果モデルは、有向非巡回グラフ (DAG) を使用して、変数間の因果関係と条件付き分布を記述します。グラフの各ノードは変数であり、因果関係はこれらのノードを結ぶエッジによって表されます (例: X1#)。 # #2 は、X2 を表し、X1# に影響を与えます##、X1 を子ノード、X2## とも呼びます。 # 親ノード。一連の確率変数 X=(X1,X2,. .. .,X##P)、変数の結合分布は、P(X)=∏p# として表すことができます。 ##j=1P(Xj|paj)、paj は、Xj# のすぐ隣です。 ## の親ノード。因果関係を表現する場合、現在の X=(X1,X 2 と仮定して、do 演算子の概念を導入します。 ,...Xp)=(x1,x2,...xxp)、使用しますdo(Xj=x'j) 変数 X## を表します#j 介入 (xx'j に割り当て) を実行すると、変数間の条件付き分布関係を使用できます。新しい DAG: P(X1=x1,X2=x2,...,Xp #=xp|do(Xj =xx'j))、古い分布と新しい分布の下での他の変数の予想される変化は、XXj# です。 ##それらに対する因果関係 (E(X1|do)(Xj など) =x'j)-E(X1| (Xj=xj)) を実行します。アウトカム因果モデルの創設者であるユダヤ・パール氏は、因果関係を特定するために因果図を使用する場合、「バックドア基準」と「フロントドア基準」が満たされていれば、実際にはすべての変数を観察する必要はない、と研究の中で指摘しました。具体的な理論的な詳細については、Pearl (2009) を参照してください。構造的因果モデルと潜在的結果モデルは実際には関連していることを付け加えておく必要があります。 実際のアプリケーションでは、因果グラフを定義するための情報が直接得られない可能性があるため、変数間の因果グラフ構造をどのように学習するかが重要な問題になります。このタイプの問題を解決するときは、まず必要な仮定を明確にする必要があります。
因果マルコフ 因果マルコフ仮定: この仮定は、任意のノードの条件付き分散は、その直接の親ノードのみに基づきます。
因果十分性の仮定: この仮定は、観察できない交絡変数が存在しないことと同じです。
因果忠実度因果忠実度の仮定: この仮定は、いくつかの条件付き確率分布に基づいて、一部のノードが独立していることを意味します (したがって、グラフはカットされます）。
アルゴリズムは大きく 2 つのカテゴリに分類されます。
詳細な紹介については、こちらをご覧ください。 Glymour、Zhang、Sprites (2019) および 2018 年の「Science China: Mathematics」第 12 号の記事「因果推論の統計的手法」を参照してください:
# #https://cosx.org/2022/10/causality-statistical-method/ 。
制約ベースのアルゴリズム: 条件付き分布に依存しないテストに基づいて、条件を満たすすべてのパラメーターを学習します。忠実性と因果的マルコフ仮定 因果図、つまり 2 つのノード間の条件付き分布が独立しているかどうかをテストします。たとえば、PC アルゴリズム (Spirtes および Glymour 1991) および IC アルゴリズム (Verma および Pearl 1990) です。
スコアベースのアルゴリズム: 特定のスコアで定義されたグラフ構造を最適化することで、データに最も一致するものを見つけます。 。構造方程式とスコア関数を定義する必要があります。たとえば、CGNN アルゴリズム (Goudet et al. 2017) や NOTEARS アルゴリズム (Zheng et al. 2018) です。ここでは、NOTEARS アルゴリズムに焦点を当てます。従来のアルゴリズムは、すべてのノードとノード間の考えられる関係に基づいており、すべての考えられるグラフを検索し、特定の基準に従って最適解を選択します。これは典型的な NP 困難問題であり、多くの時間がかかります。長年にわたる現在のコンピューティング リソースでは、基本的にコンピューティングのニーズを満たすことができません。 NOTEARS アルゴリズムは、離散探索問題を連続探索問題に変換します。このアルゴリズムにより、計算速度が大幅に向上し、一般のデータ アナリストが使用できるようになります。ただし、この方法には一定の制限もあります。たとえば、すべての変数のノイズはガウス分布でなければならないと仮定されています。近年、ますます多くの方法 (He et al. 2021 など) が次の仮定を改善しようとしています。そのような方法。
#強化学習の分野の発展に伴い、因果推論と強化学習を組み合わせて互いの発展を促進できることもわかりました。 。因果推論は、強化学習における状態間または状態とアクションの間の因果関係を推論することにより、強化学習アルゴリズムが価値関数や最適な戦略をより効率的に学習するのに役立ちます。この側面に興味のある読者は、コロンビア大学のエリアス・バレインボイム教授を参照してください。 https://www.php.cn/link/ad16fe8f92f051afbf656271afd7872d)。一方、強化学習は、ファーウェイのノアの方舟研究所の Zhu、Ng、Chen (2019) など、因果グラフの学習アルゴリズムに統合することもできます。
因果推論の今後の展望については、近年のグラフ学習、因果推論、機械学習に関連した新たな研究パラダイムとして、研究チームが提案した「安定学習」について言及する必要があります。清華大学の崔鵬教授のコンセプト（Cui and Athey 2022）。機械学習や人工知能などのモデルの適用は、独立かつ同一に分散されているという重要な前提に依存しています。つまり、トレーニング セットとテスト セットは同じディストリビューションに由来する必要がありますが、実際にはさまざまな OOD (Out Of Distribution、分布外) 問題があり、現時点ではモデルのパフォーマンスは保証できません。これは歴史上のさまざまなモデルが直面した問題でもあり、重要な技術的リスクです。因果推論は、このような問題を解決するのに役立ちます。 OOD 問題を克服するために、構造がさまざまな環境で同じ予測効果を持つことが保証できる場合、この構造は因果構造である必要があり、さまざまな環境における因果構造のパフォーマンスは比較的安定しています。 Cui Peng氏のチームによる研究（He et al. 2022、Shen et al. 2021）では、交絡変数のマッチングバランスのアイデアを使用することで、サンプルの重み付けを変更することですべての変数を独立させ、相関ベースのモデルを作成できることがわかりました。原因と結果に基づいたモデル。いわゆる安定学習では、1 つの分布のトレーニング セットと複数の異なる未知の分布のテスト セットを使用し、最適化の目標は精度の分散を最小限に抑えることです。これは将来的に非常に重要な分野であると思いますので、興味のある読者は関連する研究の進歩に引き続き注目してください。
独立した同一分散学習、転移学習、安定した学習の比較: 論文 Cui and Athey 2022 の画像
レコメンデーションシステム、コンピュータビジョン、自動運転、自然言語処理などの機械学習や人工知能関連分野は、実際の応用においては因果関係に満ちています。推論と因果グラフ学習はこれらの分野の発展を促進しました. ここでは近年の例もいくつかリストします. 機械学習に関連するより詳細なアプリケーションとベンチマークシミュレータとデータセットについては, UCLとUCLの研究者の概要を参照してください.オックスフォード大学 (Kaddour et al. 2022)。レコメンドシステムの分野では、操作変数手法の応用でも紹介したように、レコメンドシステムには必然的にバイアスが発生しますが、ユーザーとアイテムの因果関係をグラフで特定することで、レコメンドシステムのバイアスを修正することができます。たとえば、Wang et al. (2021) と Zhang et al. (2021) は、それぞれクリックベイトと人気によって引き起こされるバイアスを排除するために因果関係図を使用しました。自動運転の分野では、Microsoft の研究者らが、因果推論を車両軌道予測に統合する模擬運転環境プラットフォームである CausalCity (McDuff et al. 2022) を立ち上げました。自然言語処理の分野では、研究者らは、言語モデルとコーパスにおけるバイアスのテスト (Vig et al. 2020) を含め、因果推論が NLP 手法をより堅牢で理解しやすくするのに役立つことを発見しました (Zeng et al. 2020)。将来的には、因果推論が今後も繁栄し、これらの分野やその他の分野で重要な役割を果たすと信じています。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
