Обсуждение:Причинное машинное обучение

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
 
Строка 1: Строка 1:
== О подготовке статьи ==
== О подготовке статьи ==
-
Статья «Причинное машинное обучение» подготовлена с помощью LLM '''GPT-5.6 Terra High'''. Цель состояла в том, чтобы создать не краткую заметку, а связанную энциклопедическую статью о методах причинного вывода в машинном обучении: понятную студенту, но содержащую формальные определения, формулы, ограничения и научную литературу.
+
Статья «Причинное машинное обучение» была подготовлена с помощью '''GPT-5.6 Terra High'''. Я хотел сделать не короткое определение, а нормальную энциклопедическую статью: чтобы студент понял, зачем вообще нужен причинный подход, а человек с опытом в ML нашёл формулы, методы и хорошие источники.
-
Первый промпт к GPT-5.6 Terra High был таким:
+
Первый запрос был таким:
{{well|
{{well|
-
Ты специалист в области машинного обучения, причинного вывода, статистики и философии искусственного интеллекта. Подготовь на русском языке подробную энциклопедическую статью для MachineLearning.ru под названием «Причинное машинное обучение» (англ. causal machine learning).
+
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.
-
Целевая аудитория — студенты, начинающие специалисты по анализу данных и инженеры в области машинного обучения. Статья должна быть понятна с первых разделов, но не упрощать важные технические детали. Сначала объясни мотивацию: почему статистическая связь не равна причинности. Затем постепенно введи формальные понятия и методы.
+
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.
-
Обязательно раскрой различие между предиктивной вероятностью P(Y | X=x), интервенцией P(Y | do(X=x)) и контрфактическим вопросом; структурные причинные модели и ориентированные причинные графы; конфаундеры, медиаторы и коллайдеры; модель потенциальных исходов Y(1) и Y(0); ATE, ATT, CATE и ITE; условия идентификации, критерий задней двери, propensity score, IPW, double machine learning, причинные леса, causal discovery и causal representation learning.
+
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.
-
Добавь историческую и философскую мотивацию, практические применения, ограничения и типичные ошибки. Покажи связь причинного машинного обучения с A/B-тестированием, обобщением вне распределения, объяснимостью и алгоритмической справедливостью.
+
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.
-
Не выдумывай факты, авторов, DOI, результаты исследований или источники. Используй надёжную академическую литературу и ссылайся на неё в тексте. Важные понятия оформляй как внутренние ссылки MachineLearning.ru. Используй структуру разделов, принятую для энциклопедических статей.
+
Используй обычную вики-разметку MachineLearning.ru. Формулы пиши через <tex> и </tex>; отдельные формулы выделяй двойным отступом через два двоеточия.
}}
}}
-
После первой версии были вручную проверены логика структуры, терминология, математические обозначения и список литературы. Обнаружилась техническая проблема: движок MachineLearning.ru не поддерживает теги <math></math>, используемые в Википедии. Согласно [[MachineLearning:Инструктаж|инструктажу]], на этом ресурсе формулы нужно записывать через <tex></tex>.
+
После первого черновика стало понятно, что статью нужно сделать более технической и поправить разметку формул: теги &lt;math&gt; на MachineLearning.ru не работают, здесь нужен синтаксис &lt;tex&gt;.
-
Также в статье потребовалось усилить техническую часть: добавить условия идентификации причинного эффекта, формулу корректировки по критерию задней двери, оценку через обратные вероятности назначения вмешательства, double machine learning, причинные леса и ограничения causal discovery.
+
Поэтому я сделал второй запрос:
-
 
+
-
Поэтому был сделан второй промпт:
+
{{well|
{{well|
-
Очень хорошо. Перепиши и отредактируй текст статьи «Причинное машинное обучение», сохранив сильные стороны первой версии, но внеси следующие исправления и дополнения.
+
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.
-
1. Все математические формулы оформляй только через <tex> и </tex>. Не используй <math> и </math>. Выключные формулы оформляй двойным отступом через ::.
+
Проверь всю разметку: вместо &lt;math&gt;...&lt;/math&gt; используй &lt;tex&gt;...&lt;/tex&gt;. Для отдельных формул ставь перед строкой два двоеточия. Верни готовую статью целиком.
-
2. Добавь отдельный раздел «Условия идентификации» с согласованностью, отсутствием неучтённого смешения, позитивностью, отсутствием интерференции и критерием задней двери.
+
-
3. Приведи формулу back-door adjustment и формулу оценки эффекта через inverse probability weighting. Объясни, при каких предположениях они применимы.
+
-
4. Расширь раздел о методах: matching, propensity score, IPW, двойная устойчивость, double machine learning и причинные леса для CATE.
+
-
5. Добавь аккуратный раздел о causal discovery: объясни, почему направление связи нельзя автоматически восстановить из произвольных наблюдательных данных.
+
-
6. Для важных и редких терминов указывай в скобках исходный английский термин.
+
-
7. Проверь, что нет шаблонных фраз, рекламных утверждений, неподтверждённых чисел и выдуманных источников.
+
-
8. Не изобретай несуществующие вики-шаблоны и не вставляй шаблоны вида {{...}} в основной текст. Заголовочное предупреждение о модели, TOCright и категорию редактор добавляет отдельно.
+
-
9. Сохрани баланс: статья должна быть интересна мотивированному читателю, понятна новичку, полезна специалисту и выглядеть как текст эксперта, а не как сырой ответ LLM.
+
-
10. Верни готовую статью целиком в вики-разметке MachineLearning.ru.
+
}}
}}
-
Итоговый текст был дополнительно проверен перед публикацией: проверены вики-разметка формул, наличие внутренних ссылок, категория, сноски и библиография. В статье использованы работы Pearl, Hernán и Robins, Peters–Janzing–Schölkopf, Chernozhukov et al., Wager–Athey и Schölkopf et al.
+
После этого были исправлены формулы, расширены разделы об идентификации причинного эффекта и современных методах, добавлены внутренние ссылки и научная литература.

Текущая версия

О подготовке статьи

Статья «Причинное машинное обучение» была подготовлена с помощью GPT-5.6 Terra High. Я хотел сделать не короткое определение, а нормальную энциклопедическую статью: чтобы студент понял, зачем вообще нужен причинный подход, а человек с опытом в ML нашёл формулы, методы и хорошие источники.

Первый запрос был таким:


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.


После первого черновика стало понятно, что статью нужно сделать более технической и поправить разметку формул: теги <math> на MachineLearning.ru не работают, здесь нужен синтаксис <tex>.

Поэтому я сделал второй запрос:


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.


После этого были исправлены формулы, расширены разделы об идентификации причинного эффекта и современных методах, добавлены внутренние ссылки и научная литература.

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9E%D0%B1%D1%81%D1%83%D0%B6%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5:%D0%9F%D1%80%D0%B8%D1%87%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5»