A Brief Introduction to Causal Inference in Machine Learning

这是为纽约大学数据科学中心2024年春季DS-GA 3001.003“数据科学中的因果推断”课程制作的讲义。该课程旨在面向具有机器学习基础但之前没有接触过因果推断或因果推理的硕士和博士级别的学生。特别地，该课程的重点是介绍这些学生扩展他们的机器学习视野和知识，以纳入因果推理，因为这一方面是所谓的超出分布泛化（或缺乏泛化）的核心。

论文提出了一种基于因果推理的机器学习框架，旨在提高模型在新领域的泛化能力。

论文提出了一种基于因果推理的框架，将因果关系建模为潜在变量，并利用这些变量来训练模型。

论文通过多个实验验证了该框架的有效性，并与其他常见的泛化方法进行了比较。实验结果表明，该框架能够有效地提高模型在新领域的泛化能力。论文还提供了开源代码和多个数据集，方便其他研究者进行进一步研究。

与该论文相关的研究包括： 1. 'Causal Inference in Statistics and Machine Learning' 2. 'Counterfactual Fairness' 3. 'Do No Harm: A Roadmap for Responsible Machine Learning for Health Care'}