Nuove idee entusiasmanti che sposano la causalità con la modellazione generativa, la previsione conforme e la topologia.
NeurIPS è considerata una delle conferenze più importanti e prestigiose sull’intelligenza artificiale e l’apprendimento automatico a livello globale grazie al suo rigoroso processo di revisione dei documenti e all’alta qualità della ricerca accettata.
Con il suo focus multidisciplinare, la conferenza copre una vasta gamma di argomenti relativi allo sviluppo di sistemi intelligenti e algoritmi di apprendimento automatico.
Il numero di articoli relativi alla causalità accettati da NeurIPS è cresciuto esponenzialmente negli ultimi due anni.
In questo articolo presentiamo cinque documenti causali accettati all’edizione 2023 della conferenza che hanno attirato la mia attenzione perché apportano nuove importanti intuizioni sul campo.
Si noti che questo è un elenco soggettivo e certamente incompleto. Uno dei motivi è che al momento in cui scrivo NeurIPS non ha ancora pubblicato l’elenco completo dei documenti accettati alla conferenza.
Detto questo, sono convinto che le idee presentate nei documenti presentati di seguito abbiano la possibilità di far avanzare il nostro campo.
Iniziamo!
CLa previsione formale è una famiglia di tecniche di quantificazione dell’incertezza originariamente proposta da Vladimir Vovk.
La previsione conforme è priva di modelli (non sono necessarie ipotesi distribuzionali) e fornisce garanzie di copertura frequentista. In altre parole, garantisce che il risultato reale rientri negli intervalli (o insiemi) di previsione con alta probabilità sotto il scambiabilità presupposto¹.
In il loro nuovo giornale Meta-studenti conformi per l’inferenza predittiva degli effetti del trattamento individuale appena accettato al NeurIPS 2022, Ahmed Alaa e colleghi propongono un nuovo framework per meta-studenti conformi.
Il loro approccio consente un’inferenza diretta sul parametro target (effetto del trattamento individualizzato; ITE), UN…
Fonte: towardsdatascience.com
