重庆大学刘礼：因果学习与应用( 三 ) 作者|刘礼编辑|维克多因果学习

因果效应评估，就是在有一堆观察变量以及未观察变量的情况下，如何评估出变量X对变量Y的因果效应有多大。目前主流方法包括倾向得分、工具变量等等。
2
应用例举，因果框架符合现实假设
目前的图像自动生成很多都是以条件为主的，例如给定标签的控制、图像的控制、文字的控制，考虑如何基于已有的观察数据进行训练模型、进行生成。
与基于条件的生成方法不同，基于潜在变量数据的方法目的在于解决“某些变量无法直接被观察”的困境。
因果干预图像合成方法，是对相应的变量进行解耦，即观察变量变化如何导致结果变化，该方法能够精准控制图像的某一部分合成。

文章图片
【重庆大学刘礼：因果学习与应用】此外，因果方法在医疗领域有很多应用。基于结构函数的因果模型，设计因果发现框架，试图超越分子与分子之间的关联性，找出其因果性。具体操作分成两步：第一步发现变量和变量之间，包括潜变量之间的因果图；第二步基于因果图，确定明确的结构函数关系。
目前，我们开发出基于贝叶斯图学习因果模型，超越了传统学习函数步骤，使用因果图进行描述关系，也是分为两步：第一步边定向，需要满足马尔科夫等价条件，使得因果效应最大化；第二步是因果效应评估。目前，该方法已经应用在最具代表性肿瘤特征选择这一课题上。
最后一个应用是人体行为识别。人体识别多是采用传感器和视频流的方式进行，会有前后的因果关系。因此，可以用格兰杰因果方法解决时序因果中的问题。

文章图片
最后推荐几本书，《WHY》、《CausalInferenceinStatistics》、《Causality》、《ElementsofCausalInference》、《WhatIf》都非常棒。其中，《Causality》目前，我们历经3年时间已经翻译成了中文，即将出版，请大家期待。
雷峰网雷峰网