本书以构建因果推断基础知识框架，主要从Rubin因果模型、Pearl因果模型、基于图模型的因果效应计算、因果结构学习、因果机器学习五个篇章为大家介绍智因果推断的基础理论、模型、方法、和前沿应用，引领学生步入充满趣味与挑战的因果推理领域。

WU

计算机\人工智能

专家推荐
近年来，以深度学习为代表的人工智能技术在语音识别、机器视觉、自然语言处理、智慧医疗、智能推荐、自动驾驶等应用领域取得了重大进展，掀起了新一轮的人工智能热潮。但是当前的深度学习技术擅长分析数据中的关联关系而不是因果关系，从而无法理解数据的产生机制，使得这些技术在数据分布变化时存在鲁棒性不足、可解释性差、容易受到对抗样本的攻击等问题，从而难以在自动驾驶、医疗诊断等高风险人工智能新兴产业完全落地应用。发展融入因果推断的深度学习技术有助于构建可解释性强和更稳健的深度学习模型，该观点已经获得学术界的广泛认可。
本书系统地整理了潜在结果模型和结构因果模型的知识体系，循序渐进、通俗易懂地介绍了潜在结果模型、结构因果模型以及因果推断的主要方法，使读者能够系统性、条理性和全面性地理解当前主流的因果推断模型与方法。因此，这是一本内容丰富、全面、深入介绍因果推断的书籍，是高年级本科生、研究生以及对因果推断感兴趣的科学家、工程师很好的参考书。相信这是一本值得大家阅读的书。强烈推荐！
　　　　　　　　　　　　　　　　　 李久永　　计算机科学教授　南澳大学

第1部分 因果推断绪论

第1章
1.1 因果与关联
1.2 因果与悖论
1.3 因果与随机实验
1.4 本章小结

第二部分 Rubin因果模型

第2章 潜在结果模型
2.1 潜在结果模型
2.2 可忽略性与可交换性
2.3 一致性与正值性
2.4 稳定单位处理值假设
2.5 本章小结

第3章 因果效应定义
3.1 个体因果效应
3.2 异质性因果效应
3.3 平均因果效应
3.4 本章小结

第4章 因果效应估计方法
4.1 倾向得分匹配
4.2 匹配方法
4.3 效应修正
4.4 逆概率加权
4.5 双鲁棒方法
4.6 非参估计法
4.7 深度学习估计法
4.8 本章小结


第三部分 Pearl因果模型

第5章 干预与因果模型
5.1 图模型与贝叶斯网络
5.2 结构因果模型
5.3 因果模型假设
5.4 干预的概念
5.5 Do算子
5.6 本章小结

第6章 混杂与中介
6.1 混杂概念
6.2 混杂案例
6.3 后门标准
6.4 中介的概念
6.5 中介案例
6.6 前门标准
6.7 结构系数
6.7 本章小结

第7章 对撞偏差
7.1 对撞偏差概念
7.2 对撞偏差案例
7.3 对撞偏差与混杂
7.4 对撞偏差调整
7.5 本章小结


第8章 反事实推断
8.1 反事实的定义
8.2 反事实与潜在结果
8.3 反事实推断
8.4 深度反事实推理
8.5 本章小结

第9章 工具变量
9.1 工具变量概念
9.2 工具变量实例
9.3 条件工具变量
9.4 工具变量估计方法
9.5 本章小结


第10章 Rubin因果模型与Pearl因果模型的联系
10.1 两种模型的所长
10.2 两种模型的一致性
10.3 两种模型的融合
10.4 本章小结

第四部分 基于图模型的因果效应计算

第11章 因果结构辅助的因果效应
11.1 全局因果结构辅助的因果效应
11.2 局部因果结构辅助的因果效应
11.3 面向隐变量的因果效应
11.4 小结


第五部分 因果结构学习方法

第12章 组合优化因果结构学习

12.1 打分优化学习
12.2 限制优化学习
12.3 混合优化学习
12.4 本章小结

第13章 连续优化因果结构学习
13.1 连续优化
13.2 神经网络优化
13.3 图神经网络优化
13.4 对抗优化
13.5 本章小结

第14章 局部结构学习
14.1 基于打分的局部骨架学习
14.2 基于限制的局部骨架学习
14.3 局部骨架定向
14.4 本章小结

第六部分 因果推断与机器学习

第15章 因果机器学习
15.1因果推断与机器学习
15.2 因果特征选择
15.3 因果迁移学习
15.4 因果推荐系统
15.4 本章小结