Обсуждение:Причинное машинное обучение
Материал из MachineLearning.
Содержание |
Как строилась статья
Мне хотелось начать не с перечня терминов, а с одного принципиального разрыва: хороший прогноз ещё не отвечает на вопрос о последствиях действия. Поэтому в первой версии я попросил модель провести читателя от простого продуктового примера к потенциальным исходам, причинным графам и современным методам оценки эффектов.
Статья подготовлена с помощью GPT-5.6 Terra High. Ниже приведены запросы в том виде, в котором они использовались.
Первый запрос: собрать содержательный каркас
| Ты хорошо разбираешься в машинном обучении, статистике и причинном выводе. Напиши подробную энциклопедическую статью для MachineLearning.ru про причинное машинное обучение (causal machine learning) на русском языке.
Начни с простой мотивации: почему модель, которая умеет предсказывать, ещё не умеет отвечать на вопрос о последствиях вмешательства. Потом постепенно перейди к более формальной части. Объясни разницу между обычным предсказанием, вмешательством и контрфактическим вопросом. Расскажи про причинные графы, структурные причинные модели, конфаундеры, потенциальные исходы Y(1) и Y(0), ATE, ATT, CATE, propensity score, причинные леса и causal discovery. Покажи, где такие методы реально применяются и какие у них есть ограничения. Статья должна быть понятной студенту, но не примитивной. Добавь внутренние ссылки на связанные статьи, реальные научные источники и список литературы. Не выдумывай факты, результаты исследований, авторов и DOI. Используй обычную вики-разметку MachineLearning.ru. Формулы пиши через <tex> и </tex>; отдельные формулы выделяй двойным отступом через два двоеточия. |
Первый текст объяснял различие между наблюдением и вмешательством, но техническая часть получилась неравномерной. В частности, требовалось явно назвать условия идентификации, аккуратнее связать propensity score с взвешиванием и объяснить границы causal discovery. Кроме того, часть формул была оформлена тегами <math>, которые на MachineLearning.ru не работают.
Второй запрос: проверить идентификацию и методы
|
| Статья в целом получилась хорошей, но перепиши и доработай её как научный редактор.
Добавь отдельный раздел про условия идентификации причинного эффекта: согласованность, отсутствие неучтённого смешения, позитивность и отсутствие интерференции. Объясни критерий задней двери и приведи формулу корректировки. Расширь раздел про практические методы: matching, propensity score, inverse probability weighting, двойную устойчивость, double machine learning и причинные леса для оценки CATE. Отдельно и аккуратно объясни, почему causal discovery не может автоматически восстановить направление причинности из любой таблицы наблюдений. Для важных редких терминов указывай английское название в скобках. Не растягивай текст пустыми общими фразами, не рекламируй продукты и не придумывай источники. Оставь текст живым и энциклопедическим, а не похожим на шаблонный ответ нейросети. Проверь всю разметку: вместо <math>...</math> используй <tex>...</tex>. Для отдельных формул ставь перед строкой два двоеточия. Верни готовую статью целиком. |
Что пришлось исправить после генерации
Финальная редакция не была простой копией второго ответа. При ручной вычитке были внесены следующие изменения:
- раздел «Мотивировка» переименован в «Мотивация»;
- исправлена грамматическая ошибка в определении коллайдера;
- A/B-тестирование отделено от общего понятия рандомизированного контролируемого эксперимента;
- уточнены условная независимость назначения, позитивность, SUTVA и критерий задней двери;
- указано, что для непрерывной переменной в back-door-корректировке используется интеграл;
- IPW-формула названа оценкой Хорвица — Томпсона, добавлено отличие нормированной оценки Хайека;
- формулировка о причинных лесах ограничена условиями асимптотического статистического вывода;
- в раздел про causal discovery добавлена марковская эквивалентность графов;
- добавлены первоисточники Неймана и Rosenbaum—Rubin;
- исправлен год книги Causal Inference: What If и использована официальная страница книги;
- неработающий шаблон примечаний заменён на <references />;
- статья помещена в существующие категории «Машинное обучение» и «Прикладная статистика».
Отдельно проверялись названия, годы, страницы и DOI основных источников. Там, где утверждение зависит от причинных предположений, формулировки были смягчены: алгоритм машинного обучения оценивает вспомогательные зависимости, но сам по себе не устраняет смешение и не доказывает правильность причинного графа.
