Applied Causal Inference Powered by ML and AI

这本书介绍了机器学习和因果推断的新兴融合。它提出了来自经典结构方程模型(SEMs)及其现代人工智能等价物——有向无环图(DAGs)和结构性因果模型(SCMs)的思想，并介绍了双重/无偏机器学习方法，以使用现代预测工具在这些模型中进行推断。

本论文旨在介绍机器学习和因果推断的融合，以及如何使用现代预测工具在结构方程模型(SEMs)和结构因果模型(SCMs)中进行推断。

本论文提出了双重/去偏机器学习方法，以在这些模型中进行推断。这种方法可以有效地处理因果关系和预测问题，同时避免了传统方法中的偏差。

本论文介绍了结构方程模型(SEMs)和结构因果模型(SCMs)的概念，并介绍了现代预测工具如何应用于这些模型中。实验使用了多个数据集进行验证，并开源了代码。这种方法可以在处理因果关系和预测问题时都具有很好的性能。

在这个领域中，最近的相关研究包括 'Causal Inference using Potential Outcomes: Design, Modeling, Decisions' 和 'The Do-Calculus Revisited'。