Causalité pour Robust ML

Cette séance de cours de l'instructeur de l'Université d'État de l'Oregon traite de l'indispensabilité de la causalité pour un apprentissage machine robuste et fiable. Il couvre des sujets tels que les ensembles de données idéaux, les problèmes cruciaux avec les données manquantes, les modèles graphiques pour l'encodage transparent des hypothèses, et la récupérabilité des données manquantes. La séance de cours se penche également sur les structures problématiques, les implications vérifiables, les modèles linéaires d'interférence et les principaux résultats liés à l'amplification des biais et à l'impact sur la taille de l'échantillon. Les théorèmes d'impossibilité théorique pour les données manquantes sont explorés, ainsi que des exemples du monde réel d'absence non dans des scénarios aléatoires. La séance de cours se termine par des références à des œuvres connexes.