因果推理：基礎與學習算法 Elements of Causal Inference: Foundations and Learning Algorithms

譯者序
原書前言
符號和術語

第1章　統計和因果模型
1.1　概率論與統計學
1.2　學習理論
1.3　因果建模和學習
1.4　兩個實例
1.4.1　模式識別
1.4.2　基因干擾

第2章　因果推斷假設
2.1　獨立機制原則
2.2　歷史記錄
2.3　因果模型的物理結構
2.3.1　時間的作用
2.3.2　物理定律
2.3.3　迴圈賦值
2.3.4　干預的可行性
2.3.5　原因和機制的獨立性以及時間的熱力學之箭

第3章 原因-效果模型
3.1　結構因果模型
3.2　干預
3.3　反事實
3.4　結構因果模型的標準表示
3.5　問題

第4章　學習原因-效果模型
4.1　結構可識別性
4.1.1　為什麼需要額外的假設
4.1.2　假設類型的概述
4.1.3　非高斯加性雜訊的線性模型
4.1.4　非線性加性雜訊模型
4.1.5　離散加性雜訊模型
4.1.6　後非線性模型
4.1.7　信息-幾何因果推斷
4.1.8　Trace方法
4.1.9　以演算法資訊理論為可能的基礎
4.2　結構識別方法
4.2.1　加性雜訊模型
4.2.2　信息幾何因果推斷
4.2.3　Trace方法
4.2.4　監督學習方法
4.3　問題

第5章　與機器學習的聯繫1
5.1　半監督學習
5.1.1　半監督學習和因果方向
5.1.2　關於半監督學習在因果方向上的注釋
5.2　協變數偏移
5.3　問題

第6章　多變數因果模型…
6.1　圖的術語
6.2　結構因果模型
6.3　干預
6.4　反事實
6.5　瑪律可夫性、忠實性和因果小性
6.5.1　瑪律可夫性
6.5.2　因果圖模型
6.5.3　忠實性和因果小性
6.6　通過協變數調整計算干預分佈
6.7　do-calculus
6.8　因果模型的等價性和可證偽性
6.9　潛在的結果
6.9.1　定義與實例
6.9.2　潛在的結果與結構因果模型之間的關係
6.10　單一物件的廣義結構因果模型
6.11　條件演算法獨立性
6.12　問題

第7章　學習多變數因果模型
7.1　結構可識別性
7.1.1　忠實性
7.1.2　加性雜訊模型
7.1.3　具有等誤差方差的線性高斯模型
7.1.4　線性非高斯無環模型
7.1.5　非線性高斯加性雜訊模型
7.1.6　觀測資料和實驗資料
7.2　結構識別方法
7.2.1　基於獨立的方法
7.2.2　基於分數的方法
7.2.3　加性雜訊模型
7.2.4　已知因果次序
7.2.5　觀測資料與實驗資料
7.3　問題

第8章　與機器學習的聯繫2
8.1　半同胞回歸
8.2　因果推斷與場景強化學習
8.2.1　逆概率加權
8.2.2　場景強化學習
8.2.3　21點（Blackjack）中的狀態簡化
8.2.4　改進廣告佈置的加權
8.3　域適應
8.4　問題

第9章　隱藏變數
9.1　干預充分性
9.2　Simpson悖論
9.3　工具變數
9.4　條件獨立性和圖表示
9.4.1　圖
9.4.2　快速因果推斷
9.5　條件獨立性之外的約束
9.5.1　Verma約束
9.5.2　不等式約束
9.5.3　基於協方差的約束
9.5.4　附加雜訊模型
9.5.5　檢測低複雜度混雜因數
9.5.6　不同的環境
9.6　問題

第10章　時間序列
10.1　基礎和術語
10.2　結構因果模型和干預
10.2.1　下採樣
10.3　學習因果時間序列模型
10.3.1　瑪律可夫條件和忠實性
10.3.2　一些不要求忠實性的因果結論
10.3.3　Granger因果關係
10.3.4　具有受限函數類的模型
10.3.5　頻譜獨立準則
10.4　動態因果建模
10.5　問題

附錄
附錄A　一些概率與統計學基礎知識
A.1　基本定義
A.2　獨立性以及條件獨立性測試
A.3　函數類的容量
附錄B　因果次序和鄰接矩陣
附錄C　證明
C.1　定理4.2的證明
C.2　命題6.3的證明
C.3　備註6.6的證明
C.4　命題6.13的證明
C.5　命題6.14的證明
C.6　命題6.36的證明
C.7　命題6.48的證明
C.8　命題6.49的證明
C.9　命題7.1的證明
C.10 命題7.4的證明
C.11　命題8.1的證明
C.12　命題8.2的證明
C.13　命題9.3的證明
C.14　命題10.3的證明
C.15　定理10.4的證明
參考文獻