作者小头像 Lv.6
更多个人资料
2719 成长值
1 关注
10 粉丝
+ 关注 私信

个人介绍

探索技术发展，提升思维见识

感兴趣或擅长的领域

网络技术、音视频、人工智能、大数据、数据库
个人勋章
TA还没获得勋章~
成长雷达
2690
9
0
0
20

个人资料

个人介绍

探索技术发展，提升思维见识

感兴趣或擅长的领域

网络技术、音视频、人工智能、大数据、数据库

达成规则

以上满足项可达成此勋章

  • 博客
  • 关注
  • 粉丝
  • 论坛
全部时间
全部时间
最近三天
最近一周
最近一月
  • 全部
  • 数据分析
  • rust
  • 云计算
  • AIAagent
  • python大数据分析
  • mysql
  • PHP
  • hbase
  • 语言建模
  • 鸿蒙os
  • 活动
  • 联邦学习
  • 强化学习
  • LSTM
  • 图像
  • 语音识别
  • 机器学习
  • 自然语言处理
因果推断在生产系统的工程化落地：挑战与解决方案
I. 因果推断的核心理论框架 1.1 潜在结果框架与识别挑战因果推断的数学基础建立在反事实推理之上。对于单元 iii，处理变量 Ti∈{0,1}T_i \in \{0,1\}Ti​∈{0,1} 和结果变量 YiY_iYi​，定义潜在结果 Yi(1)Y_i(1)Yi​(1) 和 Yi(0)Y_i(0)Yi​(0) 分别表示接受处理和未接受处理时的结果。个体因果效应为 τi=Yi(1)−Yi(...
机器学习
作者小头像 数字扫地僧 2025-11-29 23:58:17
126
0
0
2025-11-29 23:58:17
126
0
0
端到端因果推断项目架构：从数据到业务决策
I. 因果推断的数学基础与问题形式化 1.1 潜在结果框架（Potential Outcomes Framework）因果推断的数学根基由Neyman和Rubin建立的潜在结果框架奠定。对于个体 iii，定义：处理变量 Ti∈{0,1}T_i \in \{0,1\}Ti​∈{0,1}（如是否涨价）潜在结果 Yi(1)Y_i(1)Yi​(1)：接受处理时的结果（涨价后的留存）潜在结果 Yi(...
作者小头像 数字扫地僧 2025-11-29 23:17:50
149
0
0
2025-11-29 23:17:50
149
0
0
因果中介分析的前沿方法与实战陷阱
I. 因果中介的数学基础与识别困境 1.1 潜在结果框架下的中介定义设处理变量A∈{0,1}A \in \{0,1\}A∈{0,1}，中介变量MMM，结果变量YYY。其潜在结果记为：M(a)M(a)M(a)：在干预aaa下的中介值Y(a,m)Y(a, m)Y(a,m)：在干预aaa且中介为mmm时的结果Y(a,M(a′))Y(a, M(a'))Y(a,M(a′))：自然间接效应的核心构件因...
作者小头像 数字扫地僧 2025-11-29 22:41:26
143
0
0
2025-11-29 22:41:26
143
0
0
非平稳时间序列的因果发现算法
I. 非平稳性的数学表征与因果可识别性 1.1 非平稳性的分类与形式化定义非平稳时间序列的因果发现首先需要精确刻画"非平稳性"的类型。我们区分三类核心非平稳：类型数学定义因果关系影响典型场景处理难度均值漂移E[Xt]=μ(t)E[X_t] = \mu(t)E[Xt​]=μ(t)伪相关经济指标趋势低（去趋势）方差时变Var(Xt)=σ2(t)\text{Var}(X_t) = \sigma^...
网络
作者小头像 数字扫地僧 2025-11-29 22:27:10
127
0
0
2025-11-29 22:27:10
127
0
0
机器学习+因果推断：双重机器学习原理与实践
I. Neyman正交性与因果识别的理论基础 1.1 因果模型的参数化表述考虑部分线性模型（Partially Linear Model）：Y=θD+g(X)+U,E[U∣X,D]=0Y = \theta D + g(X) + U, \quad E[U|X,D] = 0Y=θD+g(X)+U,E[U∣X,D]=0其中YYY是结果变量，DDD是我们关心的处理变量（如价格），XXX是高维协变量...
机器学习 自建电商
作者小头像 数字扫地僧 2025-11-29 19:31:43
185
0
0
2025-11-29 19:31:43
185
0
0
面板数据因果推断：交互固定效应与共同趋势检验
I. 交互固定效应模型的数学框架 1.1 从TWFE到IFE：问题意识的演进传统TWFE模型设定为：Yit=αi+δt+τDit+ϵitY_{it} = \alpha_i + \delta_t + \tau D_{it} + \epsilon_{it}Yit​=αi​+δt​+τDit​+ϵit​其中Dit∈{0,1}D_{it} \in \{0,1\}Dit​∈{0,1}为处理指示变量，...
自建电商
作者小头像 数字扫地僧 2025-11-29 19:06:56
116
0
0
2025-11-29 19:06:56
116
0
0
模糊断点回归：非完全依从下的因果识别
I. 核心识别假设的放松与强化 1.1 清晰断点到模糊断点的假设演变假设类型清晰断点（Sharp）模糊断点（Fuzzy）经济含义分配连续性$\lim_{x\to c^-} \mathbb{E}[Y_i(0)X_i=x] = \lim_{x\to c^+} \mathbb{E}[Y_i(0)X_i=x]$处理确定性Di=ZiD_i = Z_iDi​=Zi​放松：ZiZ_iZi​仅为工具变量处...
机器学习
作者小头像 数字扫地僧 2025-11-29 18:58:32
125
0
0
2025-11-29 18:58:32
125
0
0
合成控制法进阶：矩阵补全与因子模型扩展
合成控制法（Synthetic Control Method, SCM）作为过去二十年间因果推断领域最具影响力的创新之一，通过构建反事实框架解决了政策评估中的"不可观测结果"难题。传统SCM在处理低维面板数据时表现出色，但当面对高维协变量、时变混杂因子或稀疏干预场景时，其线性组合假设显得力不从心。本文将揭示**矩阵补全（Matrix Completion）与因子模型（Factor Model...
作者小头像 数字扫地僧 2025-11-29 18:43:45
127
0
0
2025-11-29 18:43:45
127
0
0
自适应实验设计：汤普森采样与多臂老虎机
I. 多臂老虎机问题的数学框架 1.1 问题形式化定义多臂老虎机问题可以严格地定义为以下数学模型：存在 KKK 个臂（arms），每个臂对应一个未知的奖励分布 RiR_iRi​，其中 i∈{1,2,...,K}i \in \{1,2,...,K\}i∈{1,2,...,K}在时间步 t=1,2,...,Tt=1,2,...,Tt=1,2,...,T，算法选择一个臂 ata_tat​ 并获得...
API
作者小头像 数字扫地僧 2025-11-29 18:34:47
132
0
0
2025-11-29 18:34:47
132
0
0
网络A/B测试：处理干扰效应的实验设计
I. 引言：理解网络干扰效应 1.1 传统A/B测试的局限性在数字化产品迭代中，A/B测试已成为数据驱动决策的黄金标准。然而，当实验单元之间存在交互关系时，传统独立同分布（i.i.d.）假设被打破。想象这样一个场景：在社交电商平台"邻里购"中，我们为部分用户启用了新的社交推荐算法（处理组），而对照组继续使用旧算法。由于用户之间存在好友关系、分享行为和团购互动，处理组用户的正面体验可能通过社...
网络
作者小头像 数字扫地僧 2025-11-29 18:25:09
122
0
0
2025-11-29 18:25:09
122
0
0
总条数：678
10
10
20
50
100
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • ...
  • 68

上滑加载中

https://www.baidu.com/s?ie=utf-8&f=3&rsv_bp=0&rsv_idx=1&tn=baidu&wd=sed%20%E6%9B%BF%E6%8D%A2%E5%AD%97%E7%AC%A6%E4%B8%B2&rsv_pq=c7db61a600035dc5&rsv_t=5e19yEsbV9N5fIvdlGRU
作者小头像
作者小头像
快速交付
+ 关注