简介：我们正处在人工智能技术的应用和作用显著提升的时期。这种增长在很大程度上是由深度学习架构的成功来推动的，即通过多层表征将观察对象映射到最终输出。这些深度学习算法是非结构化预测的有效工具，它们可以结合进人工智能系统中来解决复杂的自动推理问题。本文提供了一种方法，可以结合机器学习算法来解决存在工具变量情况下的因果效应。我们证明了寻找工具变量可以分解为两个预测任务，可以用深度神经网络解决：第一阶段的网络用于预测Treatment变量，第二阶段网络的损失函数涉及对Treatment条件分布的积分。这个Deep IV框架在训练过程中的随机梯度下降过程中加入了一些特定的结构，这一框架可以借助于机器学习算法的优势并且避免过量的算法开销。我们概述了如何获得样本外的因果校验从而避免过拟合。我们还介绍了利用贝叶斯和频率推理的方案：前者利用了一种新的Dropout的变种，而后者使用了数据切分的手段。

链接：http://arxiv.org/abs/1612.09596
推荐理由：本文提出了Deep IV框架来寻找数据中的工具变量，对相关领域有着很大的推动作用，影响力较大值得推荐。

内容中包含的图片若涉及版权问题，请及时与我们联系删除