因果之因：从总体数据学习个体响应
统计方法学
2021-05-04 v2 机器学习
摘要
个体化问题在几乎所有领域都被认为是至关重要的。在特定事件中识别因果之因对于准确决策同样必不可少。然而，此类估计涉及反事实关系，因此无法从总体数据中确定。例如，从治疗中获益的概率涉及个体在治疗时获得有利结果而在未治疗时获得不利结果。基于细粒度特征进行条件实验从根本上来说是不充分的，因为我们无法对同一个体检验两种可能性。Tian 和 Pearl 利用实验数据与观测数据的结合，给出了该概率及其他因果概率的界。尽管这些界被证明是紧的，但当以因果模型形式提供结构信息时，可以获得更窄的界（有时显著更窄）。这具有解决核心问题的力量，例如可解释 AI、法律责任和个性化医疗，这些都要求反事实逻辑。我们通过将界应用于必要充分性概率（PNS）并结合图准则与实际应用，对现有研究进行分析和扩展。
引用
@article{arxiv.2104.13730,
title = {Causes of Effects: Learning individual responses from population data},
author = {Scott Mueller and Ang Li and Judea Pearl},
journal= {arXiv preprint arXiv:2104.13730},
year = {2021}
}