译者|李睿审校|孙淑娟在不同的场景中，常用的机器学习建模技术可能会误解数据中的真实关系。因此在这里试图改变这种范式，以基于估计因果关系和衡量目标关键绩效指标（KPI）结果的治疗效果，找到超越虚假相关性的可操作见解。因果机器学习的动机假设获得了某家企业在过去一年某一产品的历史数据或观察数据，面这一产品有5%的顾客流失，那么这家企业的目标是通过开展有针对性的活动来降低流失率。通常会构建经典的客户流失预测性倾向模型（倾向性评分——客户行为的协变量流失概率），并通过选择阈值规定折扣或向客户追加销售/交叉销售。现在，企业管理人员想要预测客户流失的有效性，例如该公司的客户是由于促销活动或营销活动
译者|李睿审校|孙淑娟在不同的场景中，常用的机器学习建模技术可能会误解数据中的真实关系。因此在这里试图改变这种范式，以基于估计因果关系和衡量目标关键绩效指标（KPI）结果的治疗效果，找到超越虚假相关性的可操作见解。因果机器学习的动机假设获得了某家企业在过去一年某一产品的历史数据或观察数据，面这一产品有5%的顾客流失，那么这家企业的目标是通过开展有针对性的活动来降低流失率。通常会构建经典的客户流失预测性倾向模型（倾向性评分——客户行为的协变量流失概率），并通过选择阈值规定折扣或向客户追加销售/交叉销售。现在，企业管理人员想要预测客户流失的有效性，例如该公司的客户是由于促销活动或营销活动
寻找领域不变量：从生成模型到因果表征1领域不变的表征在迁移学习/领域自适应中，我们常常需要寻找领域不变的表征(Domain-invariantRepresentation)[1]，这种表示可被认为是学习到各领域之间的共性，并基于此共性进行迁移。而获取这个表征的过程就与深度学习中的“表征学习”联系紧密[2]。生成模型，自监督学习/对比学习和最近流行的因果表征学习都可以视为获取良好的领域不变表征的工具。2生成模型的视角生成模型的视角是在模型中引入隐变量(LatentVariable)，而学到的隐变量为数据提供了一个隐含表示(LatentRepresentation)。如下图所示[3]，生成模型描述
寻找领域不变量：从生成模型到因果表征1领域不变的表征在迁移学习/领域自适应中，我们常常需要寻找领域不变的表征(Domain-invariantRepresentation)[1]，这种表示可被认为是学习到各领域之间的共性，并基于此共性进行迁移。而获取这个表征的过程就与深度学习中的“表征学习”联系紧密[2]。生成模型，自监督学习/对比学习和最近流行的因果表征学习都可以视为获取良好的领域不变表征的工具。2生成模型的视角生成模型的视角是在模型中引入隐变量(LatentVariable)，而学到的隐变量为数据提供了一个隐含表示(LatentRepresentation)。如下图所示[3]，生成模型描述
中山大学人机物智能融合实验室（HCP）在AIGC及多模态大模型方面成果丰硕，在近期的AAAI2023、CVPR2023先后入选了十余篇，位列全球研究机构的第一梯队。其中一个工作实现了用因果模型来显著提升多模态大模型在调优中的可控及泛化性——《MaskedImagesAreCounterfactualSamplesforRobustFine-tuning》。链接：https://arxiv.org/abs/2303.03052使用预训练的大规模模型在下游任务上进行微调是当前流行的深度学习范式。尤其是近期预训练语言大模型ChatGPT的出色表现，使得这套技术范式得到了广泛的认可。经过海量数据的预
中山大学人机物智能融合实验室（HCP）在AIGC及多模态大模型方面成果丰硕，在近期的AAAI2023、CVPR2023先后入选了十余篇，位列全球研究机构的第一梯队。其中一个工作实现了用因果模型来显著提升多模态大模型在调优中的可控及泛化性——《MaskedImagesAreCounterfactualSamplesforRobustFine-tuning》。链接：https://arxiv.org/abs/2303.03052使用预训练的大规模模型在下游任务上进行微调是当前流行的深度学习范式。尤其是近期预训练语言大模型ChatGPT的出色表现，使得这套技术范式得到了广泛的认可。经过海量数据的预
