Вебинар «Основы причинно-следственного анализа и его влияние на машинное обучение»

Многие ключевые задачи в области анализа данных связаны с принятием решений. Они требуют понимания причин события и способов действий для улучшения будущих результатов. Модели машинного обучения (МО) полагаются на корреляционные закономерности для прогнозирования ответа на вопрос, но часто терпят неудачу в этих задачах принятия решений, поскольку сами решения и действия, которые они определяют, изменяют закономерности, на которые они опираются. Методы причинно-следственного вывода, напротив, разработаны таким образом, чтобы опираться на закономерности, генерируемые стабильными и надежными причинно-следственными механизмами, даже когда решения и действия меняются. Благодаря знаниям, полученным с помощью причинно-следственных методов, новая, быстро развивающаяся область причинно-следственного машинного обучения обещает решить фундаментальные проблемы МО в области обобщаемости, интерпретируемости, предвзятости и конфиденциальности. На этом вебинаре исследователи Microsoft Амит Шарма и Эмре Кичиман узнают об основах причинно-следственного вывода. Вы узнаете, как целевой вопрос о причине и следствии может быть представлен в формальной графической модели и систематически решен с использованием доступных данных. Исследователи представят четырехэтапную структуру причинно-следственного моделирования для анализа задач принятия решений и покажут примеры кода с использованием библиотеки Python DoWhy, реализующей эту структуру. Вы также узнаете, как причинно-следственные методы могут быть полезны для улучшения моделей машинного обучения с точки зрения их обобщаемости, объяснимости, справедливости и устойчивости. Вместе вы изучите: ■ Почему причинно-следственное рассуждение необходимо для принятия решений ■ Разницу между задачей прогнозирования и задачей принятия решений ■ Как библиотека DoWhy может помочь вам провести надежный анализ причинно-следственного вывода, преобразуя знания предметной области в причинно-следственный граф и проверяя граф с использованием доступных данных ■ Связи между причинно-следственным выводом и проблемами современных моделей машинного обучения Амит Шарма — старший научный сотрудник Microsoft Research India. Его работа объединяет методы причинно-следственного вывода с интеллектуальным анализом данных и машинным обучением с целью повышения обобщаемости, объяснимости и предотвращения скрытых искажений в моделях машинного обучения. С этой целью Амит совместно руководил разработкой библиотеки Microsoft DoWhy с открытым исходным кодом для причинно-следственного анализа и библиотеки DiCE для контрфактических объяснений. Эмре Кичиман — старший ведущий научный сотрудник Microsoft Research в Редмонде. Его исследования мотивированы задачами принятия решений в различных социально значимых областях и включают исследования в области причинно-следственного машинного обучения и безопасности систем искусственного интеллекта. Эмре является соавтором библиотеки DoWhy для причинно-следственного анализа. Рекомендовано: ■ Основы причинно-следственного анализа и его влияние на машинное обучение (слайды презентации) ■ DoWhy: Причинно-следственное рассуждение для разработки и оценки вмешательств (страница проекта) https://www.microsoft.com/en-us/resea... ■ Причинно-следственное рассуждение: основы и приложения машинного обучения (отрывок из книги): http://causalinference.gitlab.io/ ■ Причинно-следственная связь и машинное обучение в Microsoft (публикации): https://www.microsoft.com/en-us/resea... ■ DoWhy: Библиотека для причинно-следственного анализа (GitHub) https://github.com/Microsoft/dowhy ■ DoWhy: комплексная библиотека для причинно-следственного анализа (статья): https://arxiv.org/abs/2011.04216 ■ DoWhy – библиотека для причинно-следственного анализа (блог) - https://www.microsoft.com/en-us/resea... *Этот вебинар по запросу включает в себя ранее записанную сессию вопросов и ответов и субтитры. Этот вебинар первоначально транслировался 3 декабря 2020 г. Узнайте больше о вебинарах Microsoft Research: https://aka.ms/msrwebinars