【论文标题】Causal inference using deep neural networks 【作者团队】Ye Yuan, Xueying Ding, Ziv Bar-Joseph 【发表时间】2020/11/25 【论文链接】https://arxiv.org/abs/2011.12508

【推荐理由】 本文来自卡耐基梅隆大学的研究团队，出了一种通用的受监督的深度学习框架，该框架通过将输入向量转换为每对输入的图像表示来推断因果关系。 从观测数据进行因果推断是许多科学领域的核心问题。 在这里，作者提出了一种通用的受监督的深度学习框架，该框架通过将输入向量转换为每对输入的图像表示来推断因果关系。 给定训练数据集，作者首先构建归一化的经验概率密度分布（NEPDF）矩阵。 然后，作者在NEPDF上训练卷积神经网络（CNN）以预测因果关系。 作者在几种不同的模拟和现实世界数据上测试了该方法，并将其与先前的因果推断方法进行了比较。 正如本文所展示的，该方法是通用的，可以有效地处理非常大的数据集，并且对现有方法进行了改进。

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