Lamorak

2 图模型及其应用 2.1 模型与数据的联系   我们可以仅仅根据图模型的结构就能预测数据中的独立性质，而不需要依赖方程式或误差分布所携带的任何定量信息。

0 感言   其实之前入门的时候找的因果相关的书籍是《Causal Inference : What If》这本书，在学期开始之前也做过一章的读书笔记，但是往后读发现还是偏向于公共卫生以及医学统计，所

0 论文信息 1 背景介绍 图 1.我们方法的动机 : 我们通过自适应合成不同于源域风格和之前合成的新风格的多样的、似是而非的新风格来提高模型的泛化能力，然后在学习风格不变表示的训练中将它们注入到模型

0 论文信息 1 背景介绍   分布迁移下的泛化是机器学习的一个公开挑战。不变风险最小化 (IRM) 是通过提取不变特征来解决这一问题的一个很有前途的框架。

本文引入了不变风险最小化的方法 (IRM)，作为一种学习范例，用于估计多个分布之间的不变相关性。为了实现这一目标，不变风险最小化学习了一种数据的表达，使得在这种数据表达之上的最优分类

之前零零散散找了些论文，但总感觉不够体系化，而且虽然都是使用因果推断，但是实际上大家使用的领域和具体使用的方法也不尽相同 (毕竟本身因果推断也都有很多流派)。

之前零零散散找了些论文，但总感觉不够体系化，而且虽然都是使用因果推断，但是实际上大家使用的领域和具体使用的方法也不尽相同 (毕竟本身因果推断也都有很多流派)。

之前零零散散找了些论文，但总感觉不够体系化，而且虽然都是使用因果推断，但是实际上大家使用的领域和具体使用的方法也不尽相同 (毕竟本身因果推断也都有很多流派)。

之前零零散散找了些论文，但总感觉不够体系化，而且虽然都是使用因果推断，但是实际上大家使用的领域和具体使用的方法也不尽相同 (毕竟本身因果推断也都有很多流派)。